EXP-3D-RGBD-DEPTHSPLAT-JEPA-NORM-SCALE-ARKIT-V1：更多真实训练数据能否放大逆向 JEPA 的前馈改进

结论：MORE_DATA_NOT_ESTABLISHED，SCALED_RECIPE_FEEDFORWARD_PARTIAL。训练数据从 182 个扫描增加到 502 个，前馈结果没有任何变化。

P1（更多数据，SYSTEM3）： JLS 与 JNS 的 ALL AbsRel 都是 0.1567，差值 −0.0000 [−0.0014, +0.0012]，好/平/差 82/0/78，NOT_ESTABLISHED。
- VAL 上也一样：0.1169 对 0.1167（S1，44/0/36）。
- NEAR7、FAR7 都没有差别（S5、S6）。
P2（扩数据后的配方对比发布权重，SYSTEM3）： +0.0041 [+0.0018, +0.0070]，111/0/49，PARTIAL。VAL 上为 +0.0039，58/0/22，PARTIAL。大小与一致性都与 JN 相同。
改进的大小非常稳定： 四次测量都在 +0.0036 到 +0.0041 之间，一致性都在 68–73%。
- VAL 上的 JN1；
- SYSTEM3 上的 JNS；
- SYSTEM3 与 VAL 上的 JLS。
结论：
- 在这个范围内（182 → 502 个扫描，步数不变），真实训练数据的数量不是瓶颈。
- 只奖励精度的逆向 JEPA 对前馈状态约 2.5% 的改进来自训练目标本身（学会弃权），不随数据量增长。
- 不需要为这条线下载更多数据。

说明：

预注册： 见 PROTOCOL.md，2026-10-09 23:18:31 锁定，sha256 d9ed9d50…。设计受 NF 结果启发，锁定早于本实验的任何训练与评估。
训练数据： TRAIN 182 个扫描加上 CONFIRM、SELECT、SYSTEM、SYSTEM2 各 80 个，共 502 个，场馆互不重叠，也都不在两个评估队列中（每次加载时检查）。
- 新增四个队列的命中表由 OVERLAP-V1 的 hit_share_table.py 计算，零命中比例 0.30–0.33，与 TRAIN 相近。
- 合并后共 7769 个可用目标帧，1004 个角色中 985 个可用。
训练： JL1–JL3 同时训练，各用时约 104 分钟，显存 6.4–6.5 GB；种子与 JN1–JN3 一一对应。
评估： 只跑 CACHE 臂。每个模型在 SYSTEM3 上约 5.3 分钟，在 VAL 上约 2.6 分钟；JN2、JN3 在 VAL 上各约 3.4 分钟。
- 复用 V3、NF、ENSEMBLES-ARKIT、OBJECTIVE-TTT 的封存，12 项复现检查的均值差都是 0。
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，3 帧上下文，只作记录。表中为被覆盖像素 AbsRel / 覆盖率。

编号	对比（> 0 表示右边更好）	队列与区域	均值	95% CI	好/平/差	中位数	状态
P1	JNS_CACHE − JLS_CACHE	SYSTEM3，ALL	−0.0000	[−0.0014, +0.0012]	82/0/78	+0.0000	NOT_ESTABLISHED
P2	ZS_CACHE − JLS_CACHE	SYSTEM3，ALL	+0.0041	[+0.0018, +0.0070]	111/0/49	+0.0019	PARTIAL
S1	JNS_CACHE − JLS_CACHE	VAL，ALL	−0.0002	[−0.0015, +0.0010]	44/0/36	+0.0001	NOT_ESTABLISHED
S2	ZS_CACHE − JLS_CACHE	VAL，ALL	+0.0039	[+0.0017, +0.0061]	58/0/22	+0.0025	PARTIAL
S3	R7 − JLS_CACHE	SYSTEM3，ALL	+0.0063	[+0.0034, +0.0096]	98/0/62	+0.0010	PARTIAL
S4	CORE_B − JLS_CACHE	SYSTEM3，ALL	+0.0002	[−0.0014, +0.0019]	51/0/109	−0.0013	NOT_ESTABLISHED
S5	JNS_CACHE − JLS_CACHE	SYSTEM3，NEAR7	+0.0003	[−0.0010, +0.0016]	86/0/74	+0.0001	NOT_ESTABLISHED
S6	JNS_CACHE − JLS_CACHE	SYSTEM3，FAR7	−0.0006	[−0.0019, +0.0007]	65/25/67	+0.0000	NOT_ESTABLISHED
S7	ZS_CACHE − JL1_CACHE	SYSTEM3，ALL	+0.0046	[+0.0020, +0.0081]	113/0/47	+0.0020	PARTIAL
S8	ZS_CACHE − JL2_CACHE	SYSTEM3，ALL	+0.0035	[+0.0015, +0.0055]	107/0/53	+0.0019	PARTIAL
S9	ZS_CACHE − JL3_CACHE	SYSTEM3，ALL	+0.0042	[+0.0015, +0.0077]	107/0/53	+0.0022	PARTIAL

均值（ALL AbsRel）与覆盖率：

读出	SYSTEM3（160）	覆盖率	VAL（80）	覆盖率
R7（无模型）	0.1630	—	0.1209	—
ZS（发布权重，前馈）	0.1608	0.72	0.1208	0.73
JN1 / JN2 / JN3	0.1572 / 0.1563 / 0.1566		0.1172 / 0.1160 / 0.1169
JNS（182 个扫描，三种子平均）	0.1567	0.53	0.1167	0.54
JL1 / JL2 / JL3	0.1562 / 0.1573 / 0.1566		0.1170 / 0.1180 / 0.1159
JLS（502 个扫描，三种子平均）	0.1567	0.58	0.1169	0.59
CORE_B（发布权重 + TTT + 与 R7 集成，参照）	0.1569		0.1161

数据量不是瓶颈。 数据增加到 2.8 倍、步数不变，均值和逐场景分布都没有变化。JL 的覆盖率略高（0.58 对 0.53），精度相同。
这与"改进来自弃权"一致。
- 弃权的程度由训练目标决定，在 182 个扫描上就已学到。
- JN 的 DEV 读数在约 2000 步后已经稳定。
局限： 步数没有随数据增加；更多数据配更多步数，结果可能不同，但现有迹象不支持这一点。
下一个问题： 既然改进来自弃权，那么不训练，只把发布权重的读出阈值调高（α ≥ τ），能否达到同样的效果？这是逆向 JEPA 这一正面结果的关键对照。同样的阈值调整也可能改进 Core B。

PROTOCOL.md、preregistration.json、reused_seals.json
eval_SYSTEM3/frame_role_lock.json（复制自 V3）、eval_VAL/frame_role_lock.json（复制自 ENSEMBLES-ARKIT）
training/：
- hit_shares_TRAIN.json（与 OBJECTIVE-TTT 相同）；
- 四个新增队列的命中表；
- 合并后的 hit_shares_SCALE.json。
code/：
- arkit_records_scale.py、merge_hit_tables.py、derive_train_scale.py，以及派生结果 train_jepa_arkit_scale.py；
- hit_share_table.py（与 OVERLAP-V1 相同）、ds_predict.py、ds_finetune.py（与 OBJECTIVE-TTT 相同）；
- 建目录、锁定、任务与打分脚本。
checkpoints/JL1/–checkpoints/JL3/（含 SHA256SUMS）
ds/ARKIT_SYSTEM3/JL*/、ds/ARKIT_VAL/{JN2,JN3,JL*}/：CACHE 封存
scores/、results/、audit/