# 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](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。

| 步数 | 0 | 500 | 1000 | 2000 | 3000 | 4000 |
| --- | --- | --- | --- | --- | --- | --- |
| JC（原目标，参考） | 0.214 / 0.19 | 0.318 / 0.26 | 0.326 / 0.27 | 0.324 / 0.28 | 0.324 / 0.27 | 0.323 / 0.27 |
| JN（只奖励精度） | 0.214 / 0.19 | 0.230 / 0.16 | 0.217 / 0.12 | 0.234 / 0.11 | 0.237 / 0.10 | 0.236 / 0.10 |
| JK（只奖励精度 + 7 帧布局） | 0.214 / 0.19 | 0.254 / 0.07 | 0.237 / 0.06 | 0.142 / 0.02 | 0.159 / 0.03 | 0.147 / 0.03 |

## 结果（80 个场景）

| 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 − JN_TTT | ALL | −0.0008 | [−0.0032, +0.0016] | 30/0/50 | −0.0005 | **NOT_ESTABLISHED** |
| **P2** | ZS_TTT − JK_TTT | ALL | −0.0038 | [−0.0069, −0.0006] | 24/0/56 | −0.0020 | **HARMFUL** |
| S1 | JC_TTT − JN_TTT | ALL | +0.0062 | [−0.0003, +0.0131] | 52/0/28 | +0.0038 | NOT_ESTABLISHED |
| S2 | JN_TTT − JK_TTT | ALL | −0.0029 | [−0.0055, −0.0003] | 23/0/57 | −0.0013 | HARMFUL |
| S3 | ZS_CACHE − JN_CACHE | ALL | +0.0036 | [+0.0009, +0.0062] | 60/0/20 | +0.0027 | SUPPORTED |
| S4 | ZS_CACHE − JK_CACHE | ALL | +0.0026 | [+0.0001, +0.0054] | 48/0/32 | +0.0019 | PARTIAL |
| S5 | GEO_ZS_TTT − GEO_JK_TTT | ALL | −0.0018 | [−0.0035, −0.0002] | 23/0/57 | −0.0012 | HARMFUL |
| S6 | GEO_ZS_TTT − GEO_JN_TTT | ALL | −0.0006 | [−0.0018, +0.0005] | 27/0/53 | −0.0003 | NOT_ESTABLISHED |
| S7 | ZS_TTT − JK_TTT | NEAR7 | −0.0043 | [−0.0076, −0.0007] | 24/0/56 | −0.0023 | HARMFUL |
| S8 | ZS_TTT − JK_TTT | FAR7 | −0.0015 | [−0.0049, +0.0017] | 32/7/36 | +0.0000 | NOT_ESTABLISHED |

**均值与覆盖率：**

| 构建器（尺度上限） | CACHE | 覆盖率 | TTT | 覆盖率 | GEO（与 R7） | CACHE NEAR7 | TTT NEAR7 |
| --- | ---: | ---: | ---: | ---: | ---: | ---: | ---: |
| ZS（发布权重，0.1） | 0.1208 | 0.73 | **0.1141** | 0.72 | 0.1161 | 0.0764 | **0.0685** |
| **JN（只奖励精度，0.1）** | **0.1172** | 0.55 | 0.1149 | 0.70 | 0.1167 | **0.0718** | 0.0694 |
| **JK（只奖励精度 + 7 帧布局，0.1）** | 0.1182 | 0.26 | 0.1178 | 0.64 | 0.1179 | 0.0727 | 0.0728 |
| JC（原目标，0.1） | 0.1725 | 0.88 | 0.1211 | 0.84 | 0.1161 | 0.1374 | 0.0790 |
| ZS3（发布权重，3.0） | 0.2534 | 0.89 | 0.1360 | 0.78 | 0.1239 | 0.2279 | 0.0929 |
| JA（原目标，3.0） | 0.2655 | 0.97 | 0.1586 | 0.87 | 0.1328 | 0.2528 | 0.1158 |

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/`