| --- |
| license: other |
| license_name: mixed-upstream-model-licenses |
| license_link: LICENSE |
| tags: |
| - robotics |
| - world-model |
| - openwam |
| - safetensors |
| language: |
| - en |
| - zh |
| --- |
| |
| # OpenWAM-3sys checkpoint archive (Run1–Run47) |
|
|
| **Built on NVIDIA Cosmos.** |
|
|
| Public research archive of 47 final LIBERO SFT policies, three WAM pretraining policies, |
| 10 independent S-VAE artifacts and one VideoRAE encoder fine-tuning artifact. |
| Shared frozen components are stored once; the included tools reconstruct each |
| original policy checkpoint byte-for-byte. Original tensor precision is preserved. |
| This is an archive format, not a standalone Transformers `from_pretrained` model. |
| Inference requires a compatible OpenWAM checkout and its benchmark environment. |
|
|
| Upstream components retain their respective licenses. Read [LICENSE](LICENSE), |
| [NOTICE](NOTICE) and [component attribution](THIRD_PARTY_LICENSES.md). |
| The `private/` folders contain per-run parameters. This repository and every |
| uploaded file are public; directory names do not control access. |
|
|
| The current publication is complete only after `PUBLICATION_COMPLETE.json` appears. |
| That marker records the verified data revision; `publication-manifest.json` lists |
| the exact source files and their SHA-256 checksums. |
|
|
| ## Research snapshot frozen on 2026-10-01 |
|
|
| The source project is paused at |
| [`d-finite/OpenWAM-3sys`, commit `720453bb03a9a4706f03c0913dd178b3fa9361b6`](https://github.com/d-finite/OpenWAM-3sys/commit/720453bb03a9a4706f03c0913dd178b3fa9361b6). |
| The GitHub source remains private. The Hugging Face archive retains its existing public visibility. |
|
|
| The 2026-10-01 addition contains Run41–Run47 at SFT step 10690 and Run42 pretraining |
| at step 20953. The original training completion records are included with each entry. |
| Run41 and Run44 initialize from `pretrain/run23`; Run42 and Run43 initialize from |
| `pretrain/run42`; these four SFT runs and the new pretrain use `svae/run23`. |
| Run45, Run46 and Run47 have no S-VAE/pretrain dependency in this catalog. |
|
|
| The initial Run1–Run40 catalog entries are unchanged. Training source paths in |
| configuration and provenance records are historical. Restore checkpoints through |
| the archive tools before using them; the old development/output directories have |
| been retired. The default evaluation source path is now |
| `/mnt/data/limingleyang/OpenWAM-3sys`. |
|
|
| RoboTwin checkpoints were explicitly excluded and deleted at the owner's request. |
| Optimizer states and smoke/intermediate checkpoints are not part of this backup. |
|
|
| Import, integrity, restoration and publication evidence is under |
| `migration/retirement-20261001/`. CPU loading checks do not imply a new GPU forward |
| or closed-loop evaluation. Private code bundles and historical development logs |
| are kept locally with the Git repository, outside this public model archive. |
|
|
| ## Download and evaluate |
|
|
| ```bash |
| hf download qiuly/OpenWAM-3sys --local-dir ./checkpoints |
| python3 ./checkpoints/tools/checkpoint_archive.py list |
| python3 ./checkpoints/tools/checkpoint_archive.py verify --workers 8 |
| python3 ./checkpoints/tools/checkpoint_archive.py eval run47 --repo /path/to/OpenWAM-3sys |
| ``` |
|
|
| `eval` restores a complete checkpoint outside the archive before calling the |
| OpenWAM LIBERO evaluation entry point. Keep the normalization statistics, |
| configuration and tokenizer files. The original Run1–Run40 loading checks used |
| source revision `cc4bf0c6bd3e016723c0b4050cd93b7d5c827ef6`. The retirement checks |
| for Run41 and Run47 use final main revision `720453bb03a9a4706f03c0913dd178b3fa9361b6` |
| from [OpenWAM-3sys](https://github.com/d-finite/OpenWAM-3sys). Access to that |
| private source repository and installation of its runtime are separate from this |
| model archive. CPU loading and evaluation dry-run checks are documented below; |
| they are not new closed-loop benchmark results. |
|
|
| # OpenWAM checkpoints：存放、增量归档与评测 |
|
|
| 此目录是可整体迁移的 checkpoint 归档，公开发布于 [qiuly/OpenWAM-3sys](https://huggingface.co/qiuly/OpenWAM-3sys)。默认位置为 |
| `/mnt/data/limingleyang/checkpoints`，但目录内部的运行依赖全部使用相对于归档根目录的路径。 |
|
|
| **给后续 agent：先读本文件。新实验使用 `tools/checkpoint_archive.py add-policy` / `add-model` 追加归档，评测使用 `eval run编号`。不要手工覆盖 `catalog.json`，不要用软链接或硬链接，不要直接把 `private/weights.safetensors` 当成完整 checkpoint。** |
| |
| ## 1. 目录与格式 |
| |
| ```text |
| checkpoints/ |
| ├── README.md |
| ├── catalog.json |
| ├── shared/<组件名>/<内容标识>/ |
| │ ├── model.safetensors |
| │ └── component.json |
| ├── pretrain/ |
| │ ├── run23-2sys-pretrain-dinov3-patch2-pretrain/ |
| │ ├── run39-3sys-pretrain-dinov3-patch2-pretrain/ |
| │ └── run19_2sys_scratch_videorae_ft-encoder/ |
| ├── svae/ |
| │ ├── runXX-<训练名称>-svae/ |
| │ └── _components/<内容标识>/ # policy 内保存的精确 S-VAE tensor |
| ├── sft/runXX-<训练名称>/ |
| ├── tools/ |
| │ ├── checkpoint_archive.py # 日常增量存放、检索、校验、还原、eval |
| │ ├── test_checkpoint_archive.py |
| │ └── import_run1_run40.py # 本次一次性迁移记录，不用于新增 run |
| └── migration/ # 本次来源盘点、复制校验、清理审计 |
| ``` |
| |
| 每个 policy run 目录包含： |
| |
| ```text |
| checkpoint.index.json |
| private/ |
| ├── weights.safetensors # 该 run 独有的参数，非完整模型 |
| └── assets/ # 原来的 config、stats、tokenizer、结构文件 |
| ├── config.yaml |
| ├── normalization_stats.npy # SFT 必需；pretrain 按原产物保留 |
| ├── reason1/ |
| ├── vlm_expert/ # 三系统时存在 |
| └── ... # dinov3、videorae、S-VAE config 等 |
| ``` |
| |
| 独立 S-VAE / encoder 的原始 `.pt`、配置和数据统计保存在自己的 `private/` 中； |
| 采样/特征统计等来源证据保存在 `private/collection/`。`.pt` 原始精度与训练元数据不丢弃。 |
| policy 内的 bf16 S-VAE 和独立训练产物的 fp32 S-VAE 分别保存，不能互相代替。 |
| |
| `private/` 的含义只是“该 run 自己的文件”。本仓库为 public，所有文件均可公开下载，没有单独的保密分区。 |
| |
| ### catalog 与 index |
| |
| - `catalog.json`：`schema_version: 1`，`entries` 以 `sft/run40`、`pretrain/run23`、`svae/run11` 等为 key。 |
| 记录原名、阶段、最终 step、index 路径与 SHA-256、原始来源、S-VAE/pretrain 依赖。 |
| - `checkpoint.index.json`：记录每个 tensor 属于哪个真实文件、文件 SHA-256、原始 checkpoint header 和完整文件 SHA-256。 |
| 因此拆分归档可以**逐字节还原原始完整 safetensors**，而不仅是得到数值相近的模型。 |
| - `shared/` 和 `svae/_components/` 按 tensor 名称、dtype、shape、完整字节哈希生成内容标识。 |
| 同名模型只要任何 tensor 不同，就会保存成不同组件。没有“名称相同就跳过复制”的逻辑。 |
| - 来源绝对路径只用于 provenance。实际读取权重按归档根目录加相对路径定位，不需要旧训练目录仍然存在。 |
| - 原始训练配置与 complete/collection 文件保持原样，其中的旧路径是历史记录； |
| 找依赖请使用 catalog，继续训练时显式指定还原后的 checkpoint，不要照抄旧的 `training.*_ckpt_path`。 |
| |
| ## 2. 先检索，再评测 |
| |
| 管理工具只需要 Python 3.9+ 标准库，适用于 Linux/macOS。实际模型加载/评测需要正常的 OpenWAM 代码与评测环境。 |
| |
| ```bash |
| ARCHIVE=/mnt/data/limingleyang/checkpoints |
| python3 "$ARCHIVE/tools/checkpoint_archive.py" list |
| python3 "$ARCHIVE/tools/checkpoint_archive.py" resolve run40 |
| python3 "$ARCHIVE/tools/checkpoint_archive.py" resolve run23 --stage pretrain |
| python3 "$ARCHIVE/tools/checkpoint_archive.py" resolve svae/run11 |
| ``` |
| |
| 移动归档后，调用新位置的脚本即可；也可以显式传 `--root /新的/checkpoints`，放在子命令之前。 |
| `run1` 与 `run01` 的 policy 检索等价。不要根据目录修改时间选择 checkpoint。 |
| |
| ### 最短 eval 命令 |
| |
| ```bash |
| python3 /mnt/data/limingleyang/checkpoints/tools/checkpoint_archive.py eval run40 |
| ``` |
| |
| 该命令：读取 catalog → 校验和还原完整 checkpoint/所有 deploy sidecars → 调用 |
| `/mnt/data/limingleyang/OpenWAM-3sys/scripts/libero/eval.sh`。 |
| 原始 OpenWAM loader 无需改代码。wrapper 不启动训练，LIBERO 与 LIBERO+ 行为由现有 eval.sh 决定。 |
| |
| ```bash |
| # 只核对现有 eval 工作流的启动计划，不启动模型评测。 |
| python3 "$ARCHIVE/tools/checkpoint_archive.py" eval run40 --dry-run |
| |
| # 指定另一份 OpenWAM checkout。 |
| python3 "$ARCHIVE/tools/checkpoint_archive.py" eval run40 \ |
| --repo /path/to/OpenWAM-3sys |
| ``` |
| |
| `--dry-run` 仍会准备并校验本地完整 checkpoint；通过启动计划不代表 GPU forward 或闭环评测通过。 |
| wrapper 保留 `EVAL_LIBERO`、`EVAL_SMOKE`、`NNODES`、`NODE_RANK`、`EVAL_LAUNCH_ID`、 |
| `OPENWAM_LIBERO_OUTPUT_ROOT`、`OPENWAM_LIBERO_VENV_BIN` 等现有脚本环境变量。 |
| |
| 多节点例子（每个节点启动一次，NODE_RANK 分别设 0、1；同一轮使用相同且唯一的 EVAL_LAUNCH_ID）： |
| |
| ```bash |
| NNODES=2 NODE_RANK=0 EVAL_LAUNCH_ID=run40-archive-retest-01 \ |
| python3 "$ARCHIVE/tools/checkpoint_archive.py" eval run40 |
| ``` |
| |
| 每次新评测换一个 launch id。wrapper 默认 `EVAL_RUN_NAME=<run名称>_step<最终step>`； |
| 要保留多轮结果，请显式设置不同的 `EVAL_RUN_NAME`。 |
| |
| ### 还原缓存与其他 benchmark / finetune |
| |
| 默认完整文件缓存位于归档旁边的 `checkpoint_eval_cache/<run>/<index哈希>/`，不进入上传目录。 |
| 还原使用独立实文件及文件锁；多个节点同时启动时不会并发写坏同一个缓存。重复使用前会校验缓存文件。 |
| 可通过 `--cache-root` 或 `OPENWAM_CHECKPOINT_EVAL_CACHE` 改位置。 |
| |
| ```bash |
| # 只还原，不启动评测。输出目录必须不存在，或是该 index 已验证的缓存。 |
| python3 "$ARCHIVE/tools/checkpoint_archive.py" materialize run40 \ |
| --output /mnt/data/limingleyang/checkpoint_eval_cache/manual-run40 |
| |
| # 还原 WAM pretrain，供训练脚本 finetune 使用。 |
| python3 "$ARCHIVE/tools/checkpoint_archive.py" materialize run23 --stage pretrain \ |
| --output /mnt/data/limingleyang/checkpoint_eval_cache/pretrain-run23 |
| |
| # 还原独立 S-VAE 原始 .pt、配置及来源统计。 |
| python3 "$ARCHIVE/tools/checkpoint_archive.py" materialize svae/run11 \ |
| --output /mnt/data/limingleyang/checkpoint_eval_cache/svae-run11 |
| ``` |
| |
| 输出根目录内会恢复原始 `checkpoint_step_N.safetensors`、`config.yaml`、`normalization_stats.npy` |
| 及原有子目录，可直接交给现有 benchmark loader。使用结束且无进程依赖它时，缓存可独立删除、随时从归档重建。 |
| 不要把展开后的大文件反向复制进 `checkpoints/`。 |
| |
| ## 3. 新 run 的存放规则：增量追加 |
| |
| 1. 为新实验分配新的 run 编号，保留配方名称。名称允许字母、数字、下划线、点、连字符，必须以该 run 编号开头。 |
| 工具把 `run1` 规范为 `run01`；run41、run100 等没有上限。 |
| 2. **只归档已结束训练的最终 checkpoint。** 先确认训练完成、最终 step 和元数据齐全，不能把最大 step 自动当作训练成功。 |
| 3. 先归档新 S-VAE / encoder，再归档 pretrain，最后归档 SFT。复用旧依赖时直接引用 catalog 中已有 ID。 |
| 4. 同一 `(stage, run_id)` 只接受一个最终 checkpoint，已经发布的条目不可覆盖。 |
| 完全相同的 checkpoint、依赖和元数据可重复导入；出现差异会拒绝。改变实验配方或重新训练应使用新的 run 编号。 |
| 5. 新 run 不需要改老 run 的文件，也不需要重新打包全部历史模型。工具自动复用内容相同的共享组件。 |
| 6. 所有输入都复制；旧源文件不由 `add-*` 删除。完成对应 verify 后再单独清理旧源目录。 |
|
|
| ### 新 S-VAE / encoder |
|
|
| 以下以 run41 为示例，路径和名称替换为该次训练实际产物： |
|
|
| ```bash |
| python3 "$ARCHIVE/tools/checkpoint_archive.py" add-model \ |
| --id svae/run41 --name run41-dinov3-pretrain-svae \ |
| --source-dir /mnt/data/limingleyang/新实验/svae48 \ |
| --files svae.pt config.yaml complete.json \ |
| --extra-file collection/stats.pt=/mnt/data/limingleyang/新实验/features/stats.pt |
| ``` |
|
|
| `--files` 必须逐一指定真实存在的相对路径，没有 `complete.json` 时不要虚构它。 |
| 保存最终模型、配置、input/latent statistics、校准信息和用于解释产物的 manifest； |
| 不把特征 shards、optimizer 中间状态、逐步 checkpoint 或原始数据集放入归档。 |
| `--extra-file 归档内相对路径=原文件路径` 可以多次使用，用于关联采样/统计/来源记录。 |
|
|
| encoder 微调可使用 `--id pretrain/run41-encoder`。部署用途保留最终选定的推理 export、结构配置和必需的统计量； |
| 只有明确需要断点恢复时，才另外归档含 optimizer/RNG 的完整训练 checkpoint，并在 metadata 标明用途。 |
| 已有条目保持原样；需要部署专用版本时另行复制、生成一致的 index/catalog 并验证，不覆盖历史归档。 |
|
|
| ### 新 WAM pretrain |
|
|
| ```bash |
| python3 "$ARCHIVE/tools/checkpoint_archive.py" add-policy \ |
| --run run41 --name run41-3sys-pretrain-dinov3 \ |
| --stage pretrain \ |
| --checkpoint /mnt/data/limingleyang/新实验/pretrain/checkpoint_step_20000.safetensors \ |
| --svae svae/run41 \ |
| --share-frozen-decoder |
| ``` |
|
|
| `--share-frozen-decoder` 只在配置明确冻结 Qwen decoder 时使用；训练过 decoder 的 run 不传此选项。 |
| 即使模型名相同，工具仍按实际 tensor 字节区分不同共享版本。新增/未知的参数前缀默认保存在该 run 的 private 权重中。 |
|
|
| ### 新 SFT：复用已存在的 pretrain/S-VAE |
|
|
| ```bash |
| python3 "$ARCHIVE/tools/checkpoint_archive.py" add-policy \ |
| --run run42 --name run42-3sys-from-run23-libero \ |
| --stage sft \ |
| --checkpoint /mnt/data/limingleyang/新实验/sft/checkpoint_step_10690.safetensors \ |
| --svae svae/run23 \ |
| --pretrain pretrain/run23 \ |
| --share-frozen-decoder |
| |
| python3 "$ARCHIVE/tools/checkpoint_archive.py" verify --run run42 --reconstruct \ |
| --report /mnt/data/limingleyang/run42-archive-verification.json |
| |
| python3 "$ARCHIVE/tools/checkpoint_archive.py" eval run42 --dry-run |
| ``` |
|
|
| `--svae` / `--pretrain` 是实际初始化依赖，没有使用则不传。跨编号复用合法，例如现有 run40 引用 pretrain/run23。 |
| SFT 源 checkpoint 同目录必须有 `config.yaml` 与 `normalization_stats.npy`，并保留模型的结构/tokenizer 子目录。 |
| 工具会复制 source checkpoint 目录中的部署元数据，排除 checkpoint_step 文件、accel_state、wandb、logs、eval 和 features 等中间目录。 |
|
|
| ## 4. 校验、恢复与清理 |
|
|
| ```bash |
| # 全部文件校验 + 索引完整性 + 无软/硬链接检查。 |
| python3 "$ARCHIVE/tools/checkpoint_archive.py" verify |
| |
| # 额外流式还原每个原始 checkpoint，核对原始完整 SHA-256，不写出 1 TB 展开副本。 |
| python3 "$ARCHIVE/tools/checkpoint_archive.py" verify --reconstruct \ |
| --workers 8 \ |
| --report /mnt/data/limingleyang/archive-verification.json |
| ``` |
|
|
| `verify --run run42` 只检查选中的 run 及其依赖；不能把局部结果当成全目录检查。 |
| `--reconstruct` 校验原始 header、每个 tensor、完整文件字节数和 SHA-256。 |
| `--workers` 控制并行校验数量（默认 1）；大目录可按机器 CPU / 存储能力设为 4 或 8。 |
| 校验期间 catalog 如有追加会拒绝该次报告，请对新快照重新运行。 |
| 原始权重与元数据字节保持一致，仍不等于完成了新的 GPU forward 或闭环评测。 |
|
|
| 导入中的文件位于 `.staging/`，不会先写入 catalog。共享文件与 catalog 通过文件锁/原子替换发布。 |
| 中断后先检查 `catalog.json`、`.staging/` 和错误日志：有完整条目时可校验后复用； |
| 没有登记的 checkpoint.index.json 会使 verify 报错，必须对照源文件恢复或移走该次未发布事务，不能假装成功。 |
| 共享但尚无引用的组件保留不会影响加载；不要依据“现在没有看到引用”直接手工删除它。 |
|
|
| **清理顺序：复制 → 全部必要文件校验 → 原始字节等价验证 → eval 启动/加载检查 → 按明确清单删除旧文件。** |
| 删除只针对完成归档的旧副本、明确的中间 checkpoint、optimizer state 和可再生特征缓存。 |
| 历史配置/评测结果、原始数据集和未归档的其他实验不能靠通配符一并删除。 |
| 后续 agent 如需清理新 run，应记录精确路径、大小和校验结果，清理前再确认没有仍在写入这些目录的任务。 |
| 旧模型目录的 `ARCHIVED_TO.json` 指向新的 catalog 条目。旧特征目录留下的配置、manifest 和汇总统计是历史记录， |
| 不代表特征 shards 仍然可用；新训练需要特征时应重新 collect 到新的缓存目录。 |
|
|
| ## 5. 当前 run1–run40 的关系 |
|
|
| - 40 个 SFT 最终 policy，2 个 WAM pretrain（run23/run39）；run40 用 run23 pretrain。 |
| - 10 个独立 S-VAE 来源文件、9 套模型参数。run34/run35 的参数相同，但训练元数据不同，因此保留两份原始 .pt/来源记录，policy 内的相同参数仅存一份。 |
| - 另保留 run19 的 VideoRAE 最终训练状态、encoder export 和 latent statistics。 |
| - 42 个 policy 中的 Reason1 完全相同；Qwen vision/embeddings、冻结 decoder、Wan VAE、DINOv3、V-JEPA、部分 VideoRAE 与 S-VAE 参数按内容共用。 |
| - run24 的最终 step=42730，run30/run31=21370，其余 SFT=10690；pretrain/run23 和 pretrain/run39=20953。 |
| - 原始来源、盘点与完整哈希见 `migration/`；最新执行状态看 `migration/status.json` 与验证/清理报告。 |
| - 本次迁移的实际体积、验证范围和清理边界见 [迁移结果](migration/REPORT.md)。 |
|
|
| S-VAE 引用表： |
|
|
| | Catalog ID | 使用的 run | |
| |---|---| |
| | svae/run11 | 11、18、22、36 | |
| | svae/run23 | 23、39、40 | |
| | svae/run24 | 24、25、28、29 | |
| | svae/run26 | 26、27 | |
| | svae/run30 | 30、32 | |
| | svae/run31 | 31、33 | |
| | svae/run34 | 34 | |
| | svae/run35 | 35，tensor 与 run34 相同，来源单独保留 | |
| | svae/run37 | 37 | |
| | svae/run38 | 38 | |
|
|
| ## 6. Hugging Face 备份 |
|
|
| 归档所有文件都是实文件，可以整体上传；不要只上传某个 run 的 private/，否则会缺共享依赖。 |
| 公开 model repo 为 `qiuly/OpenWAM-3sys`。归档中的 private/ 表示单个 run 独有参数，不表示仓库访问权限。 |
|
|
| 使用已配置认证的 Hugging Face 客户端，设置 `HF_REPO_ID` 为目标仓库后： |
|
|
| ```bash |
| hf upload "$HF_REPO_ID" /mnt/data/limingleyang/checkpoints . --repo-type model |
| ``` |
|
|
| 根目录 `.gitignore` 排除 `.staging`、运行锁、Python 缓存等临时内容。新增 run 后再次上传同一目录即可。 |
| 迁移记录保留旧路径用于溯源；不收集 SSH 配置、API keys、认证 token 或原始训练数据。 |
| 访问权限由 Hugging Face 仓库设置控制，目录名 private/ 不承担访问控制作用。当前仓库为 public。 |
|
|
| 上传与下载方法参见 [Hugging Face 官方上传文档](https://huggingface.co/docs/huggingface_hub/guides/upload)。 |
|
|
| ## 7. 体积与部署专用版本：2026-09-22 实测 |
|
|
| 初始 Run1–Run40 目录约 **285.85 GB**（十进制 GB）。[体积审计](migration/deployment-size-audit.json) 读取实际文件、 |
| safetensors header、index 中的 tensor 哈希及独立 `.pt` 的内容，未修改权重。 |
|
|
| | 内容 | 实际体积 | |
| |---|---:| |
| | 40 个 SFT 的独有 safetensors | 244.63 GB | |
| | 2 个 WAM pretrain 的独有 safetensors | 11.10 GB | |
| | Reason1、冻结 Qwen、视觉编码器等 shared 权重 | 23.58 GB | |
| | policy 使用的独立共享 S-VAE tensor 组件 | 1.06 GB | |
| | 原始 `.pt`（S-VAE、encoder、run19 训练状态等） | 4.68 GB | |
| | 配置、tokenizer、索引、来源记录、工具等其余文件 | 0.79 GB | |
|
|
| 所有 safetensors 中，按 tensor 字节数计超过 **99.99% 已是 BF16**。例如 run40 的独有参数约 |
| 5.55 GB，其中视频 DiT 约 4.12 GB、动作模型约 1.43 GB。训练过 VLM decoder 的 run 还需 |
| 独有的约 2.82 GB decoder 参数。视频 DiT 参与部署时的联合去噪，不能因只输出动作就整块删除。 |
|
|
| 40 个 SFT 和 2 个 WAM pretrain policy 不含 optimizer / 学习率 scheduler 的恢复状态； |
| 10 个独立 S-VAE `.pt` 同样没有这些状态。唯一例外是 run19 encoder 的 `private/last.pt`： |
| 完整文件 2.035 GB，其中两个 optimizer 的 tensor 合计 1.315 GB，另有模型、loss 和 RNG 等。 |
| 部署 export `private/encoder.pt` 已单独保存，约 0.458 GB。 |
|
|
| 可缩减范围必须区分保留目标，下面均为审计估算，**尚未生成新的部署目录**： |
|
|
| - 保留所有 SFT、pretrain、独立 S-VAE 和 encoder 模型，仅排除 run19 的 `last.pt`：约 **283.81 GB**，节省约 0.7%。 |
| - 只保留 40 个 SFT 的 index、参数与现有部署 sidecars：约 **269.91 GB**，节省约 5.6%。 |
| 该数值保留嵌入 policy 的 S-VAE tensor，但不包含独立 fp32 S-VAE 产物、两个 pretrain policy 和独立 encoder 来源包。 |
| 新 catalog、工具、组件说明等还会有少量开销；初始化依赖需转为 provenance，不能让 catalog 悬空引用被排除条目。 |
| - 按当前 index 哈希进一步细化 private tensor 的无损去重，理论上还可省约 **3.02 GB**，主要是相同的 cross-attention projection 和部分 decoder 参数；此项尚未实施。 |
|
|
| 因此，删除恢复训练信息不足以让全部 run 降至 100 GB。显著降低体积需要选择较少 run，或单独评估量化。 |
| 量化后的文件必须作为派生产物保留，注明基准 checkpoint、精度、方法和评测结果，不能覆盖原始 BF16 归档。 |
|
|
| 部署包应保留 config、tokenizer、动作 normalization、S-VAE input/latent normalization 与校准统计； |
| 这些都是模型输入输出契约的一部分。部署的 diffusion/flow scheduler 配置也应保留，它不等于训练用学习率 scheduler 的恢复状态。 |
| 新 run 应继续复用内容相同的冻结组件，独有训练权重按实际内容追加；不要期待已训练参数仅靠清理元数据即可大幅缩小。 |
|
|
