HRL P0+P1 执行报告（本地自建评测机）

日期：2026-09-11（本机工作区）范围：按用户确认，仅完成 P0 正确性回归 + P1 最小可训练/可评测闭环； P2 的 BC、完整课程长训、Optuna、正式消融与正式测试表留待下一阶段。

1. 本轮代码交付

文件	内容
`scripts/benchmark_hrl.py`	同一 manifest 真值场景复用；`hrl`/`hrl_heuristic`/`bayes`/`directional` 配对评测；写 `results.json`、`aggregate.json/csv`、每局 `summary.json` 与 `session.jsonl`
`scripts/train_hrl_high.py`	高层 MaskablePPO 训练；`--problem/--stage/--envs/--vec-env/--device/--config-profile/--reward-profile/--model/--resume/--init/--eval-manifest`；模型元数据固化 feature/action/reward 版本；墙钟硬上限
`src/mcm26b/hrl/constants.py`	新增 `ACTION_LAYOUT_VERSION=1`、`REWARD_VERSION=1`
`src/mcm26b/hrl/policy.py`	高层模型严格校验元数据；低层模型保持独立基础校验
`src/mcm26b/cli.py`	新增 `--strategy hrl`、`--q4-strategy hrl`、`--hrl-model`、`--hrl-low-model`、`--hrl-device`、`--trace-low`
`src/mcm26b/hrl/hierarchical_env.py`	新增 `HRLReward.time_only()`：P0.4 建议的纯时间目标，去掉逐源清除/发现/熵减塑形
`project/`	严格目录树薄兼容层，转发真实实现，不复制算法
`tests/test_hrl_p1.py`	manifest 往返、真值隔离、纯时间奖励、project re-export 回归

2. 全量回归

.venv/bin/python -m pytest -q --tb=short
# 275 passed in 124.57s

3. P1 smoke 训练（本机 Apple MPS）

.venv/bin/python scripts/train_hrl_high.py \
  --problem 3 --stage 1 --timesteps 2048 --seed 320001 \
  --envs 1 --vec-env dummy --device mps \
  --config-profile production --reward-profile time \
  --model output/hrl/p1-smoke-time/q3.zip \
  --eval-episodes 2 --rollout-steps 128 --batch-size 128 \
  --n-epochs 3 --max-wall-s 800 --verbose 0

结果：

actual_timesteps=2048，墙钟 260.069 s；
保存后确定性评估 2/2 成功，accounted=20，无异常；
模型元数据含 feature_version=4、action_layout_version=1、 reward_version=1、reward_profile=time、model_sha256。

模型重载已由以下两条路径验证；--resume 的 --timesteps 是增量步数（SB3 reset_num_timesteps=False 语义），元数据写 timesteps_semantics="additional"：

.venv/bin/python -m mcm26b.cli run \
  --robot-id 2026001 --self-test --strategy hrl \
  --hrl-model output/hrl/p1-smoke-time/q3.zip --hrl-device mps \
  --sources 3 --seed 1 --summary-steps 5

python scripts/benchmark_hrl.py --variants hrl \
  --hrl-model output/hrl/p1-smoke-time/q3.zip --hrl-device mps \
  --problem 3 --scenes 1 --sources 3 --output output/hrl/p1-bench-hrl

4. 多轮本地配对测试

Q3：3 个独立场景 × 3 个变体

python scripts/benchmark_hrl.py --variants hrl,hrl_heuristic,bayes \
  --hrl-model output/hrl/p1-smoke-time/q3.zip --hrl-device mps \
  --problem 3 --scenes 3 --sources 3 --start-seed 91000 \
  --output output/hrl/p1-multiround-q3

variant	episodes	valid_rate	cleared_mean	virtual_time_mean_s	virtual_time_std_s	program_run_time_mean_s
bayes	3	1.0	3.0	2518.371	74.183	0.748
hrl_heuristic	3	1.0	3.0	2518.371	74.183	0.883
hrl	3	1.0	3.0	3731.380	120.536	1.853

结论：P1 模型只在 stage 1 单源课程上训练 2048 步，可直接重载并在 3 源场景保持 3/3 有效全清；但用时明显未优于 bayes/heuristic，符合本轮不做正式性能声明的边界。

Q4：3 个独立混合源场景 × 2 个变体

python scripts/benchmark_hrl.py --variants hrl_heuristic,directional \
  --problem 4 --scenes 3 --sources 3 --directional 1 --start-seed 92000 \
  --output output/hrl/p1-multiround-q4 --force

variant	episodes	valid_rate	cleared_mean	virtual_time_mean_s	virtual_time_std_s	program_run_time_mean_s
directional	3	1.0	3.0	13442.997	263.902	1.063
hrl_heuristic	3	1.0	3.0	12292.198	344.827	6.284

说明：Q4 高层 PPO 尚未训练；本轮只验证 Q4 的 hrl_heuristic 与 directional 闭环、真值隔离与计时审计。

5. P0 状态

--resume 重载：16 步起步模型续训 32 增量步后 actual_timesteps=48，校验 feature_version/action_layout_version/reward_version 后保存；
槽位唯一性：test_hrl.py 覆盖 channel 17–20 与 1–4 同时 clear/locate 不丢；
清除事件一次且仅一次：fallback 成功写 _step_clears 已有回归；
候选快照：test_opportunity_measure_precedes_candidate_snapshot 已覆盖；
奖励对齐：新增 HRLReward.time_only()，训练脚本默认 --reward-profile time；
终止/安全网：现有 HierarchicalEnv 回合测试继续通过；
训练/部署配置：--config-profile production 使用生产配置，coarse-pretrain 显式映射到 fast 评分配置并写入模型元数据；
依赖守卫：全量测试 275 项在 dev+rl 环境通过。

6. 未完成 / P2 待办

scripts/pretrain_hrl_expert.py 已建可 --help 的接口占位，专家轨迹 + BC 功能待实现；
scripts/ablate_hrl.py 已建接口占位，无信息增益/无掩码/无课程/无粒子统计消融待实现；
scripts/tune_hrl.py 已建接口占位，Optuna TPE 搜索待实现；
Q3→Q4 迁移训练与配对实验；
完整 10–16 源课程训练、多个训练种子、冻结测试清单；
官方三次正式测试表：必须有真实官方案例码与导出日志后才能填写；本地 referee 结果只标 local_self_test。

5.7 KiB Raw Blame History Unescape Escape