EXP-3D-RGBD-DEPTHSPLAT-JEPA-OBJECTIVE-TTT-ARKIT-V1：只奖励精度的逆向 JEPA 能否改进 TTT

本文件即预注册。锁定时间与哈希见 preregistration.json。

1. 问题

此前两次尝试，逆向 JEPA 预训练都让 TTT 的起点变差：

JC 的分析指向训练目标：它对未覆盖的像素按全深度惩罚，奖励的是覆盖而不是精度。结果前馈覆盖率从 0.73 升到 0.88，前馈误差从 0.121 升到 0.173。

本实验改用只奖励精度的目标：

本实验检验两个变体：

JN（3 帧）： 只换目标，其余与 JC 完全相同（上下文 3 帧，目标为有重叠的非上下文帧）。它回答"损害是否来自目标"。
JK（7 帧）： 在 JN 的基础上，把训练时的 episode 改成 TTT 评估的布局：状态由上下文 3 帧加流式帧 4 帧建成，目标是第 14、15 帧。它回答"按 TTT 的用法训练，能否给出更好的起点"。

本设计受 JBT 与 JC 结果的启发，但锁定早于本实验的任何训练与评估。

训练： ARKit TRAIN，182 个扫描（EXP-3D-RGBD-ARKIT-DATA-V1）。
- JN 的目标帧沿用 OVERLAP-V1 的命中表（命中比例 ≥ 0.05）。
- JK 的流式帧用冻结的 stream_frame_ids 规则预先算好（code/make_streams_train.py 生成 training/streams_TRAIN.json，只用帧编号）。182 个扫描都有，其中 180 个是第 5、8、10、13 帧。
评估： ARKIT_VAL，80 个扫描、160 个 episode、320 个查询。
- episode 与 ENSEMBLES-ARKIT、JBT、JC 完全相同（frame_role_lock.json 逐字节复制）。
- 复用以下封存（哈希核对）：
  - ENSEMBLES-ARKIT 的几何封存；
  - 发布权重（上限 0.1）的 CACHE / TTT 封存；
  - JC 的封存（上限 0.1）；
  - JBT 的 JA 封存（上限 3.0）。
许可： 只用于非商业研究，媒体在 git 之外。

两个变体都只训练 1 个种子（20261008），4000 步，学习率 5e-6（ViT 5e-7），预热 200 步后余弦衰减，AdamW（weight decay 1e-4），梯度裁剪 1.0，尺度上限 0.1，使用最后一步。

JN1： train_jepa_arkit_norm.py，由 OVERLAP-V1 的 train_jepa_arkit_overlap.py 经 derive_train_norm.py 逐字替换得到，只改训练目标；每步 2 个目标帧。
JK1： train_jepa_arkit_cache.py，由 JN 的脚本经 derive_train_cache.py 逐字替换得到，只改 episode 布局。
评估： 都用 V1 的 ds_eval.py，跑 CACHE 与 TTT_m1（100 步），尺度上限 0.1。
执行： code/jn_jobs.sh 让两个模型同时训练；每个模型训练结束后，立即用 2 个分片评估。锁定脚本会重新派生两个训练脚本，要求逐字节相同。

主检验用 V2 gate；统计用场景 bootstrap，10,000 次，种子 20260928。

编号	对比（> 0 表示右边更好）	区域	分支
P1	ZS_TTT − JN_TTT	ALL	JN_IMPROVES_TTT（SUPPORTED）/ _PARTIAL / _NOT_ESTABLISHED / JN_HARMS_TTT
P2	ZS_TTT − JK_TTT	ALL	JK_IMPROVES_TTT（SUPPORTED）/ _PARTIAL / _NOT_ESTABLISHED / JK_HARMS_TTT

另外报告各构建器、各臂的覆盖率。复现检查：复用封存的均值必须与原实验相同。