EXP-3D-RGBD-COMPLETION-V11 协议

起草：Claude（经用户授权持续推进），2026-09-29。本协议在任何 V11 训练之前冻结，且只在 Core B V2 收尾之后冻结。按用户要求，GPU 暂停使用，全程只用 CPU（8–23 号核）。

0. 背景

几何基线： 学到的状态整体上与直接重投影持平。它在被看到的区域差得多，在没被看到的区域更好。
上限分析（DEV，已封存预测）： 即使观测区域完全保留测量，整体也只比重投影好约 0.03。瓶颈在补全质量。
容量试验（探索性，TRAIN24 训练，48 个 TRAIN-X 场景评价）：
hidden 32 相对 hidden 8，在离测量较远的像素上好 0.059 [+0.021, +0.098]；
保留测量、用宽 carrier 补全的组合（FILL8）比重投影好 0.028 [−0.003, +0.063]。
V9： 可变视角训练对标准 3 视角没有收益（+0.002，CI 跨零）。点估计 > 0，所以按 V9 出结果前写定的计划（PLAN_BEFORE_V9_RESULTS.md），V11 的基础配方为 V9 C1（可变 3–7 视角）。
本轮问题：
在 TRAIN72 上训练的 V9 配方中，加宽 carrier 能否改善未观测区域的补全？
保留测量、用宽 carrier 补全的组合，能否超过直接重投影？

ID	名称	宽度	参数	角色
C0	WIDTH8	hidden 8，expansion 16	5,150	基线；重新训练，应与 V9 C1 逐位相同
C1	WIDTH32	hidden 32，expansion 64	64,238	PRIMARY_METHOD

相同的部分： V9 C1 的全部配方，包括 TRAIN72、32³、CONTEXT_DEPTH bounds、冻结的 V2 C1 loss、6000 步、checkpoint 步、学习率、可变 3–7 视角规则及其独立的随机数生成器（seed + 7919）、seed、场景顺序与射线。
执行： 6 个训练（2 个宽度 × 3 个 seed）同时运行，各占 1 个 CPU 核。

状态构建： 每个场景与角色的上下文只经上下文加载器读取（RGB-D，只含上下文帧），bounds 为 CONTEXT_DEPTH。C0、C1 的选中 checkpoint 分别构建状态，并渲染每个 primary query 相机。
重投影基线： 用同一上下文的深度做重投影（1 像素 z-buffer，空洞用最近邻填补，全空时用 TRAIN 拟合的常数 2.3736 m）。
封存： 全部预测写盘并记录哈希之后，才读取 query 深度。
区域：
FAR：离任一重投影命中点超过 8 像素的有效像素；
NEAR：其余有效像素；
FILL8：NEAR 用 REPROJ_NN，FAR 用 carrier。
主 gate： 使用冻结的 V2 gate 检查（均值 > 0、CI 下界 > 0、至少 75% 的场景不差、每个留一场景 > 0、正贡献中单个场景占比 ≤ 0.5），按 EVAL-V3 场景做 10,000 次 bootstrap，seed 20260928。
COMPLETION_STATUS：COMPLETION_GAIN = FAR AbsRel(C0) − FAR AbsRel(C1)；
HYBRID_STATUS：HYBRID_GAIN = AbsRel(REPROJ_NN) − AbsRel(FILL8 of C1)。
描述性： C0 与 C1 在 ALL、NEAR 上的差；REPROJ_NN 与 C1 在 FAR、ALL 上的差；REPROJ_NN 与 C0 的 FILL8 的差。
分支（预先写定）：
A：两个主 gate 都 SUPPORTED。加宽改善了补全，并且保留测量的组合超过直接重投影；下一步需要按 volume 独立的确认。
B：只有一个 SUPPORTED。
C：两个都不成立。

沿用 V9 的 DEV 流程与冻结的 V2 估计器，报告 WIDTH_GAIN_DEV = AbsRel(C0) − AbsRel(C1)、场景专属性、多视角融合与无几何常数参照。这些结果不进入分支判定。