Task 00：Human / Codegen / Mix 运行行为诊断
分析对象为 2026-09-20 在 eai 完成的 60 次 rollout：public_test 实例 301–320，各模型各一次，seed=0。此次仅离线分析已有记录，没有重新运行模拟器或改动原评测代码。
目前最强的诊断线索是：Codegen 与 Mix 较早进入后续 stage，频繁触发推理包装器的阶段回退和夹爪恢复规则，并出现更多未完成任务的运动。训练数据的时序差异、Mix 的人类样本曝光减半，是可能促成这种行为的因素。日志还不足以证明唯一根因，也不能直接认定生成数据质量差。
前一次成绩应解释为 checkpoint 与当前推理包装器组合的系统性能。强制恢复规则既可能扰乱有效动作，也可能是模型已经偏离正确轨迹后的反应；因果方向需要消融验证。
2026-09-21 补充：已按用户授权在 g10 只读核验三个实验的原始代码，相关文件与 checkpoint 源码清单匹配。五段相对时间标签、原始推理恢复规则均确认；三组使用同一标签算法。推理 stage 由模型预测与投票更新，不按经过时间自动推进，轨迹时长差异本身不能证明阶段语义冲突或误判。详见 原始源码核验。
1. 已确认的运行差异
| 指标 | Human | Codegen | Mix 50:50 |
|---|---|---|---|
| 成功 | 8/20 | 1/20 | 1/20 |
| 首次进入 stage 2 的步数中位数 | 680 | 200¹ | 240 |
| 曾进入 stage 4 的回合数 | 4 | 13 | 12 |
| 包装器强制 stage 4→2 次数 | 11 | 117 | 130 |
| 记录到整段动作被规则改写的次数 | 2 | 245 | 257 |
| 动作改写占模型预测块比例 | 0.08% | 7.90% | 8.30% |
| 夹爪预测跨度过大、关闭动作压缩的预测块比例 | 12.88% | 42.83% | 22.60% |
¹ Codegen 只有 19/20 个回合进入过 stage 2；实例 304 始终停在 stage 0。stage 是包装器的内部条件变量，不是任务的真实完成度。预测块每 20 个模拟器步更新一次。以上计数去除了 warmup，按 reset 分成 20 个非空回合，并用每回合最后记录步数与官方结果核对。
控制运行时长后，差距仍然存在。三模型共同失败的 11 个实例是 301、302、305、309、310、311、314、316、317、318、319；这些回合全部运行 3225 步：
| 共同失败实例的平均累计路程 | Human | Codegen | Mix |
|---|---|---|---|
| 底盘 | 1.07 m | 1.89 m | 1.11 m |
| 左手末端 | 3.33 m | 11.09 m | 8.02 m |
| 右手末端 | 4.32 m | 8.28 m | 5.47 m |
Codegen 和 Mix 的左手末端路程分别约为 Human 的 3.33、2.41 倍。Mix 的底盘路程接近 Human，但左手路程明显增加。此指标是世界坐标系下末端累计位移，包含底盘/躯干贡献；不能单凭路程认定关节抖动、碰撞或按钮定位误差。
2. 包装器具体做了什么
当前 apply_eval_tricks=True，继承上游 server 的默认设置。task 00 的规则包括：
- 到达 stage 4，无条件将内部 stage 改回 2，清空阶段投票历史；下一次推理会使用修改后的 stage 条件。
- stage ≥2 时，如果一只夹爪完全关闭、另一只没有处于中间开度，会触发开夹爪恢复。stage 0/1 也有禁止夹爪闭合的通用规则。
- 恢复并非只改一个夹爪数值：代码用
np.tile(state, ...)替换整段 30 步预测，再把相关夹爪设为打开。关节目标变为当前姿态；底盘分量继承当前速度。 - 修改后的动作还会被用于下一轮 rolling inpainting 的保留动作，干预可能影响后续预测。
- 夹爪预测动作跨度超过 0.2 时，26→20 的动作压缩被关闭。这是预测跨度检查，不是实际夹爪抖动测量；日志中的
mean/max实际对应左右夹爪跨度，不能照字面当均值/最大值。
代码证据：task00 恢复规则、通用夹爪恢复、规则应用与 inpainting。
3. 代表性回合：存在不同失败模式
实例 303：阶段反复回退。 Human 在 1611 步成功，没有阶段强制回退或动作覆盖。Codegen 首次到 stage 4 只需 460 步，此后回退 7 次，左手路程 17.37 m；Mix 同样在 460 步到 stage 4，回退 17 次，左手路程 11.03 m。两者最终超时。Human 左手路程为 3.25 m。这与“阶段条件循环、持续运动却未打开收音机”的模式一致。
实例 304：大量动作覆盖、少量位移。 Human 1118 步成功。Codegen 整回合停在 stage 0，被覆盖 77 个动作块；Mix 到了 stage 3，被覆盖 79 个动作块。两者均失败，左手累计路程分别只有 2.12 m、1.48 m。这里的失败与实例 303 不同，更像被频繁恢复动作打断，而非一直大范围运动。Mix 的实例 320 也有 77 次覆盖、左手路程 1.91 m，Human 则 995 步成功。
实例 312：规则不是全部解释。 Mix 383 步成功，Human 1825 步成功；Codegen 没有强制 stage 回退或动作覆盖，仍超时，左手路程 12.48 m。Codegen 实例 307、Mix 实例 308 也在没有上述两种干预时失败。关闭恢复规则不保证解决全部问题。
Codegen 唯一成功的实例 306 反而有一次 stage 回退；因此也不能把“触发规则”直接判为失败原因。
4. 为什么生成训练数据可能产生这种行为
训练实现将一条 episode 按相对时间均分为五段：stage=floor(timestamp*30/(episode_length/5))，截断到 0–4。它没有把阶段对齐到“接近收音机、对准按钮、接触、按下”等物理事件。
Human 平均轨迹长度为 429928/200 = 2149.64 帧，71.65 秒；Codegen 为 148475/259 = 573.26 帧，19.11 秒，前者约为后者的 3.75 倍。生成轨迹较短本身不是问题，但两种策略的动作顺序和相对进度语义可能不同。同一个 stage 编号不能自动视为跨来源等价。
实际 rollout 中，Codegen/Mix 进入 stage 2 的中位时刻也明显更早。这支持“学到的阶段/动作时序不同”的解释，但没有真实阶段标注，不能据此证明每次阶段预测都错误。包装器又给 stage 4 附加“退回 stage 2”的硬规则，使时序标签与语义控制规则之间的不匹配成为优先排查项。
本机归档源码：阶段标签计算。训练配方也明确说明两源 stage 未做语义对齐：Mix README。
5. 为什么加入一半 Human 没有保住 Human 的表现
Mix 不是两个专家投票，也不是 Human 模型推理结果的一半。它是从相同 meta checkpoint 重新训练的单一网络，共享动作输出和 stage 条件；source ID 只用于统计，不输入模型。
在同样 15000 次更新内，Human 单训看到 192 万个人类窗口，4.529 次等效遍历；Mix 只看到 96 万个人类窗口，2.265 次遍历，另有 96 万个生成窗口。人类数据数量保持 200 条 episode，不等于人类学习预算保持不变。混合还引入了不同的躯干动作分布和未对齐的时间阶段标签，存在相互干扰的可能。
最后 40 个日志点（step 14000–14975）的训练损失均值：
| 模型/分量 | 总损失 | 动作损失 |
|---|---|---|
| Human 单训 | 0.028630 | 0.017478 |
| Codegen 单训 | 0.002748 | 0.002098 |
| Mix 总体 | 0.025060 | 0.016168 |
| Mix 中 Human 分量 | 0.042023 | 0.027113 |
| Mix 中 Codegen 分量 | 0.008095 | 0.005223 |
Mix 总损失低于 Human 单训，是两种来源损失的平均；其 Human 分量并没有同样低。由于 dimension 6 的归一化不同，不能把跨模型损失差直接当作严格的退化度量，但这些数字不支持“总 loss 较低，所以已保住人类能力”的推断。
Codegen 单训有 13.646 次等效数据遍历，约为 Human 的三倍，末段训练 loss 很低。这证明它对自己的训练目标拟合较好，不证明闭环泛化较好；没有验证损失或早期 checkpoint 的仿真成绩，不能直接宣布过拟合。Mix 的训练 stage 准确率约 99.83%，也不能代表仿真偏离示范后的状态识别可靠。
6. 排除项、证据边界与下一步
已确认三个模型读取各自 checkpoint 的 normalization；这些 JSON 的数值内容与各自训练资产一致。Codegen/Mix 的文件序列化格式不同，但解析后的值相等。只有 dimension 6 的常规归一化统计发生来源相关变化；相关噪声矩阵保留一致。没有发现误用 Human normalizer 的证据。
全部失败均有官方超时结果，而非缺失记录或模型 NaN 被当失败。policy log 末尾的 ConnectionClosedError 发生在最终回合结束后的连接关闭，不是中途推理崩溃。完整运行核验见 audit.json。
原评测未保存逐帧 RGB、逐步动作/关节状态或物体接触轨迹。现有数据不能判断具体是否按错按钮、碰倒物体、抓握失败、视觉错位或某个关节持续偏移。评测还使用了兼容 Gemma 和 CPU inpainting 线性求解适配；参数形状完整并不能证明与原始推理数值行为完全相同。
优先验证顺序：
- 先在相同模型、相同实例与 seed 下，分别关闭 task00 的 stage 4→2 回退、夹爪整段动作覆盖，以及两者同时关闭。保持动作压缩/夹爪跨度检查、inpainting、normalizer、采样步数等其他参数固定；直接切换
apply_eval_tricks=False会同时改变多项机制，无法定位原因。 - 优先记录 303（阶段循环）、304/320（动作覆盖）、312（无上述干预仍失败）的 RGB、预测前后 action、stage logits、规则触发、末端与收音机按钮距离。再对确定的推理配置做全部 20 实例测试。
- 若问题仍在，再研究跨来源阶段语义对齐、保留相同人类窗口预算的混合训练，并使用独立验证实例选择 checkpoint。20 个 public_test 已被用于诊断，不宜反复调参后再把其结果作为无偏泛化成绩。
这些是待验证实验，本次没有运行消融，也没有修改已有模型或推理服务。
所有 60 回合行为统计见 per_instance.csv，原始阶段转换见 transitions.json，复算脚本为 analyze_runs.py。