EXP-3D-RGBD-DEPTHSPLAT-JEPA-CAP01-TTT-ARKIT-V1：在 TTT 的尺度上限下训练逆向 JEPA，能否改进 TTT

结论：JEPA_CAP01_HARMS_TTT，JEPA_CAP01_HARMS_CACHE。

P1： 把逆向 JEPA 的训练改在 TTT 最好的尺度上限 0.1 下进行（JC1），它作为 TTT 起点仍然略差于发布权重。ALL AbsRel 为 0.121 对 0.114，差值 −0.0070 [−0.0141, −0.0001]，24/0/56，HARMFUL。
P2： TTT 之前的 7 帧前馈状态明显更差。0.173 对 0.121，差值 −0.0517，5/0/75，HARMFUL。
改用上限 0.1 消除了大部分损害：
- 同为逆向 JEPA 训练，上限 0.1 的 TTT 结果比上限 3.0（JBT 的 JA）好得多：0.121 对 0.159，+0.0375，55/0/25，PARTIAL。
- 与 7 帧重投影取几何平均后，JC 与发布权重完全打平（都是 0.116）。
剩下的差距来自训练目标本身。
- 训练损失把未覆盖的像素按全深度惩罚，所以奖励的是"覆盖"而不是"精度"。
- 这在两个上限下都一样：JC 把前馈覆盖率从 0.73 推到 0.88，精度则从 0.121 降到 0.173。
- TTT 修回了大部分（0.173 → 0.121，74/0/6），但没有全部修回。
结论： 在当前的逆向 JEPA 目标下，"预训练给 TTT 更好的起点"不成立。要让这条路成立，训练目标需要改成奖励被覆盖像素的精度。

说明：

预注册： 见 PROTOCOL.md，2026-10-09 06:03:48 锁定，sha256 1b00184e…。设计受 JBT 与 OVERLAP-V1 的结果启发，但锁定早于本实验的任何训练和评估。
训练： 沿用 OVERLAP-V1 的配方（目标帧的上下文命中比例 ≥ 0.05），只把尺度上限改为 0.1。只训练一个种子（JC1，20261008），用时 57 分钟，显存 6.2 GB。
评估： ARKIT_VAL，80 个扫描、160 个 episode、320 个查询，episode 与 ENSEMBLES-ARKIT、JBT 相同。
- 复用了 ENSEMBLES-ARKIT 的几何封存和发布权重（上限 0.1）的封存，以及 JBT 的 JA、ZS3 封存。
- 6 项复现检查的均值差都是 0。
- TTT 分 3 个分片运行，每个约 1.35 小时，峰值显存 5.1 GB。
执行与统计：
- GPU 4 与另一用户的常驻进程共用。分析运行两次，结果逐字节相同。
- 统计单位是场景，bootstrap 10,000 次，种子 20260928，判定用 V2 gate。

训练中的 DEV 读数

DEV 为 ARKit 训练折的 8 个扫描、第 14、15 帧，上限 0.1，只作记录。

步数	0	500	1000	2000	3000	4000
被覆盖像素 AbsRel / 覆盖率	0.214 / 0.19	0.318 / 0.26	0.326 / 0.27	0.324 / 0.28	0.324 / 0.27	0.323 / 0.27

编号	对比（> 0 表示右边更好）	区域	均值	95% CI	好/平/差	中位数	状态
P1	ZS_TTT − JC_TTT	ALL	−0.0070	[−0.0141, −0.0001]	24/0/56	−0.004	HARMFUL
P2	ZS_CACHE − JC_CACHE	ALL	−0.0517	[−0.0736, −0.0341]	5/0/75	−0.029	HARMFUL
S1	GEO_ZS_TTT − GEO_JC_TTT	ALL	−0.0001	[−0.0041, +0.0042]	30/0/50	−0.001	NOT_ESTABLISHED
S2	R7 − GEO_JC_TTT	ALL	+0.0048	[+0.0003, +0.0096]	47/0/33	+0.001	PARTIAL
S3	JC_CACHE − JC_TTT	ALL	+0.0514	[+0.0372, +0.0689]	74/0/6	+0.030	SUPPORTED
S4	JA_TTT − JC_TTT	ALL	+0.0375	[+0.0196, +0.0576]	55/0/25	+0.015	PARTIAL
S5	ZS_TTT − JC_TTT	NEAR7	−0.0105	[−0.0178, −0.0028]	18/0/62	−0.007	HARMFUL
S6	ZS_TTT − JC_TTT	FAR7	+0.0013	[−0.0098, +0.0114]	43/2/30	+0.002	NOT_ESTABLISHED

ALL 均值与覆盖率：

构建器（尺度上限）	CACHE	覆盖率	TTT	覆盖率	GEO（与 R7）
ZS（发布权重，0.1）	0.121	0.73	0.114	0.72	0.116
JC（逆向 JEPA，0.1）	0.173	0.88	0.121	0.84	0.116
ZS3（发布权重，3.0）	0.253	0.89	0.136	0.78	0.124
JA（逆向 JEPA，3.0）	0.266	0.97	0.159	0.87	0.133

R7（7 帧重投影 + 调和插值）为 0.121。

尺度上限解释了 JBT 中的大部分损害，但不是全部。 在 0.1 下训练，TTT 结果从 0.159 改善到 0.121，几乎追上发布权重（0.114）；集成之后两者完全相同。
训练目标解释了剩下的部分。
- 两个上限下，逆向 JEPA 训练都把前馈覆盖率推高、把精度拉低。
- 原因是训练损失对未覆盖像素按全深度惩罚：只要能把一个像素"覆盖"上，哪怕深度不准，损失也会下降。
- 对补全（JEPA-ARKIT、OVERLAP）来说，这种偏好部分有用，因为覆盖了原本只能靠调和插值的区域。对 TTT 来说，它损害了起点。
TTT 有很强的修正能力，但修不完。 在 JC 上，TTT 把 0.173 降到 0.121（74/0/6），但没有降到发布权重 TTT 后的 0.114。
对 Core B 的含义： 实用配置不变，仍是"发布权重（上限 0.1）+ TTT + 与 7 帧重投影取几何平均"。如果要让逆向 JEPA 为 TTT 服务，训练目标应改为只奖励被覆盖像素的深度精度（例如归一化深度的相对误差），而不奖励覆盖率。

PROTOCOL.md、preregistration.json、frame_role_lock.json（复制自 ENSEMBLES-ARKIT）、reused_seals.json
training/hit_shares_TRAIN.json（与 OVERLAP-V1 相同）
code/：
- train_jepa_arkit_overlap.py（与 OVERLAP-V1 相同）及其依赖；
- 建目录、锁定、任务与打分脚本。
checkpoints/JC1/（含 SHA256SUMS）
ds/ARKIT_VAL/JC/：新的 DepthSplat 封存
scores/、results/、audit/