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

结论：JN_TTT_NOT_ESTABLISHED，JK_HARMS_TTT。

• P1： 训练目标改为只奖励已覆盖像素的精度后（JN1），JC 的损害消失了，但 TTT 结果只是与发布权重打平。ALL AbsRel 为 0.1149 对 0.1141，−0.0008 [−0.0032, +0.0016]，30/0/50，NOT_ESTABLISHED。
• P2： 再按 TTT 评估的布局训练，TTT 结果反而变差。JK1 用上下文 3 帧加流式帧 4 帧建状态，目标为第 14、15 帧。结果为 0.1178，−0.0038 [−0.0069, −0.0006]，24/0/56，HARMFUL。
• 新现象：只奖励精度的目标让模型学会"弃权"。
  • 7 帧前馈状态的覆盖率从 0.73（发布权重）降到 0.55（JN）和 0.26（JK）。F7 读出在未覆盖处退回 R7。
  • 结果，不做 TTT 时 JN 的前馈状态比发布权重好：0.1172 对 0.1208，+0.0036 [+0.0009, +0.0062]，60/0/20，SUPPORTED（次要分析 S3）。好处全在 NEAR7：0.0718 对 0.0764，R7 为 0.0757。
  • TTT 把这点差距抹平了。发布权重经 TTT 从 0.1208 降到 0.1141，JN 只从 0.1172 降到 0.1149，JK 几乎没变（0.1182 → 0.1178）。
• 结论：
  • 在 182 个 ARKit 训练扫描上，四种逆向 JEPA 预训练设置（JA、JC、JN、JK）都没有给 TTT 更好的起点；最好的 JN 只与发布权重打平。
  • Core B 的实用配置不变。逆向 JEPA → TTT 这条线到此结束。
  • 唯一的正面结果是 S3：不做 TTT 时，只奖励精度的逆向 JEPA 改进了前馈状态。它只有一个种子，又是次要分析，正在全新扫描上用 3 个种子做预注册复现（EXP-3D-RGBD-DEPTHSPLAT-JEPA-NORM-FEEDFORWARD-ARKIT-V1）。

说明：

• 预注册： 见 PROTOCOL.md，2026-10-09 14:41:45 锁定，sha256 a826b21c…。
  • 设计受 JBT 与 JC 的结果启发，锁定早于本实验的任何训练与评估。
  • 锁定脚本由 OVERLAP-V1 的训练脚本重新派生出两个训练脚本，确认与 code/ 中的逐字节相同。
• 训练： 两个模型同时训练，各一个种子（20261008）。JN1 用时 87 分钟、显存 6.5 GB；JK1 用时 139 分钟、显存 12.6 GB。
• 评估： ARKIT_VAL，80 个扫描、160 个 episode、320 个查询，episode 与 ENSEMBLES-ARKIT、JBT、JC 相同。
  • 复用了 ENSEMBLES-ARKIT 的几何封存和发布权重的封存、JBT 的 JA 与 ZS3 封存、JC 的封存。8 项复现检查的均值差都是 0。
  • 每个模型 2 个分片，每个约 2.1–2.4 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，3 帧上下文，上限 0.1，只作记录，不用于任何选择。表中为被覆盖像素 AbsRel / 覆盖率。

结果（80 个场景）

均值与覆盖率：

R7（7 帧重投影 + 调和插值）：ALL 0.1209，NEAR7 0.0757，FAR7 0.2567。FAR7 中，上限 0.1 的各构建器 TTT 后都与 R7 相近（0.253–0.257）。

解读

• 训练目标确实是 JC 损害的来源。 只换目标后，TTT 结果从 0.121 回到 0.115，与发布权重打平；前馈状态从 0.173 变为 0.117。对 JC 的改进（S1）为 +0.0062，52/0/28，CI 下限略低于 0。
• 只奖励精度的目标会让模型主动弃权。
  • 未覆盖的像素不产生损失，而去掉放错位置的高斯能降低已覆盖像素的误差，所以不透明度整体下降、覆盖率降低。
  • 7 帧布局下更极端，前馈覆盖率只有 0.26。
  • 这一机理是推测，没有单独检验。
• 弃权对前馈有用，对 TTT 没用。
  • 不做 TTT 时，JN 把不可靠的区域交给 R7，所以比发布权重更准（S3，60/0/20）。
  • TTT 用 7 帧测量深度重新优化高斯，本身就会修正这些区域。发布权重经 TTT 后，NEAR7 达到 0.0685，好于 JN 的 0.0694 和 JK 的 0.0728。
  • 弃权留下的低不透明度起点，100 步 TTT 也拉不回同样的精度：JN、JK 的 TTT 覆盖率为 0.70、0.64，发布权重为 0.72。
• 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"。
  • 逆向 JEPA → TTT 这条线到此结束：四种设置中最好的只是打平。
• 值得复现的副产品：
  • 只奖励精度的逆向 JEPA 改进了不做 TTT 的前馈状态。如果复现成立，它可用于不能运行 TTT 的场景（TTT 每个查询约 50 秒）。
  • 复现实验 NF 已于 2026-10-09 19:23 锁定，早于 FULL-SYSTEM-V3 读取同一批扫描的任何真值。

文件

• 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）；
  • streams_TRAIN.json（由 code/make_streams_train.py 生成）。
• code/：
  • 派生脚本 derive_train_norm.py、derive_train_cache.py，以及派生结果 train_jepa_arkit_norm.py、train_jepa_arkit_cache.py；
  • 依赖 ds_predict.py、ds_finetune.py、arkit_records.py（与 OVERLAP-V1 相同）；
  • 建目录、锁定、任务与打分脚本。
• checkpoints/JN1/、checkpoints/JK1/（含 SHA256SUMS）
• ds/ARKIT_VAL/JN/、ds/ARKIT_VAL/JK/：新的 DepthSplat 封存
• scores/、results/、audit/