EXP-3D-RGBD-WIDTH-DATA-V15 计划：更多数据时宽度是否起作用

0. 问题

V12： 在 72 个训练场景上，把宽度从 32 加到 64，补全只改善 +0.004（CI 跨零）。
V14： 宽度 32 不变，训练场景从 72 增加到 127，被看到区域的精度改善，补全却变差。事后分析显示，这在每一个相同训练步数上都成立（探索性）。
假设： 容量与数据之间存在取舍。更多样的数据需要更大的模型，补全才会改善。
本轮问题： 在 127 个训练场景上，把宽度从 32 加到 64，补全能否改善？改善后的组合能否胜过经典补洞？

配方： 与 V11 C1 / V14 C1 完全相同（32³ 网格，CONTEXT_DEPTH bounds，冻结的 V2 C1 损失，6000 步，Adam 1e-3，可变 3–7 视角，冻结的 DEV 选择规则，3 个 seed）。
训练集： 两个变体都用 TRAIN72 + TRAIN-EXT，共 127 个场景（与 V14 C1 相同）。
变体：
C0：宽度 32（hidden 32、expansion 64，64,238 个参数）。它就是 V14 C1 的配方，训练记录、DEV 曲线、选中的 checkpoint 与评价预测都必须与 V14 C1 逐位相同，否则停止。
C1：宽度 64（hidden 64、expansion 128，250,542 个参数）。每个 seed 的初始参数与 V12 C1 相同。
代码： 由 V14 的文件逐字派生，只改变体表、参数量、对照与报告文字；V14 的两处修正（本变体自己的训练集、DEV 曲线不存状态）保留。
执行： 6 个训练并行，每个占一个核。

主队列： 与 V14 相同，即 EVAL-V3 ∪ EVAL-V4 的近处 query，共 83 个场景；EVAL-FAR 只作描述。
封存： 所有预测在读取 query 深度之前封存。封存之前，C0 的每个预测都必须与 V14 已封存的 C1 预测一致（最大差 ≤ 1e-6）。
主判定：
P1： WIDTH_AT_SCALE_GAIN = FAR AbsRel(C0) − FAR AbsRel(C1)，冻结的 V2 gate（与 V11 COMPLETION_GAIN 同一定义与同一函数）。
P2： AbsRel(REPROJ_HARMONIC) − AbsRel(HFILL8 of C1)，INPAINT-V1 的标签规则。
分支：
A：P1 SUPPORTED 且 P2 ABOVE。更多数据下宽度改善了补全，并在组合中胜过经典补洞。
B：只满足其一。
C：两者都不满足。
描述性：
2×2： 在同一批场景上，与已有的两格比较：宽度 32 / 72 个场景（V14 C0 = V11 C1，取 V14 的封存预测），以及宽度 64 / 72 个场景（V12 C1 已选中的 checkpoint，在本轮评价阶段渲染）。交互作用为 [FAR(32, 72) − FAR(64, 72)] − [FAR(32, 127) − FAR(64, 127)]。
最后一步： C0 与 C1 第 6000 步 checkpoint 的结果。V14 的事后分析显示补全在最后一步最好，所以这只作描述。
其他： AHFILL8（阈值 0.5，描述性）、DEV 结果、训练曲线、各队列分别的结果。