§27 2026-10-04 凌晨：根因是一条"曲线拟合直线"，而修法有三个选项

★ 本节取代 §26 的结论（§26 说"病因在优化动力学"，那是对的但不完整）。 ★★ 读本节前先读 journal/ROOT_CAUSE_CHAIN_ARCTANH_PUSHES_TARGETS_INTO_TANH_SATURATION.md。

#27.1 ★★★★★★★ 根因链（七环，每一环都有实测或源码依据）

#	环节	★ 依据
1	教师靶由 `clip(d/MOVE_PX, ±0.98)` 得到（线性裁剪）	源码
2	教师再把它 `arctanh` 成 logits ⇒ 极值 ±2.298	源码 + 实测（目标极差 4.595）
3	策略侧 `stick = tanh(logits)`	源码 `screen_agent.py:340`
4	⇒ 要复现教师的 ±0.98，策略 logits 必须到 ±2.3	数学
5	★★ 而在 ±2.3 处 `tanh` 的导数只有 0.01 ⇒ 梯度被压 100 倍	数学
6	⇒ 输出被"缩小"2.2 倍	★ *实测（两个跑次，`a = 2.20`）**
7	⇒ 误差集中在"到位前"窗口（RMSE 1.30 vs 0.17）	★ 实测

★★★★★ -> 一句话：arctanh 把靶推到了 tanh 的饱和区 —— 模型被要求用一条【曲线】去拟合一条【直线】。

#27.2 ★★★★★★★ 三个修法选项（已实测）

选项	★ 内容	★ 到位前 RMSE	★ 授权
① 不动	保持 `tanh` + `arctanh`	0.85–1.12	—
★★ ② 推理时把摇杆 logits × 2.2	一处、可逆；输出仍在 (−1,1) 内	★ 0.19	★ 不需要
★★★ ③ 把摇杆饱和从 `tanh` 换成 `clip`（与教师一致）	两处（教师侧 + 环境侧）	★★★ 0.0026	★★ 需要 + 重跑基线

#27.3 ★★★★★★★ 而"学得多好"与"保持"是两件可分的事

#★★★★★★★ 而 `π` 项的效果在三个种子上有统计支持（2026-10-04 凌晨补）

跑次	上	左	右	下	★ 合计	★ 活着的条数
`REL_s4`（有 `π`）	24	19	15	★ 0	58/96	3
★ `RLO_s4`（无 `π`）	24	24	14	24	★★ 86/96	★ 4
`REL_s6`（有 `π`）	24	24	★ 0	24	72/96	3
`RLO_s6`（无 `π`）	24	★ 0	19	24	67/96	3
★★ `REL_s8`（有 `π`）	24	★ 0	★ 0	★ 0	★★★ 24/96	★ 1
★ `RLO_s8`（无 `π`）	19	19	24	24	★★ 86/96	★ 4

对比	★ 差	★ Fisher `p`
`REL_s4` → `RLO_s4`	+29.2pp	0.0000
`REL_s6` → `RLO_s6`	−5.2pp	0.5187
`REL_s8` → `RLO_s8`	★ +64.6pp	0.0000
★★★ 合并三个种子	154/288 → 239/288	★★ +29.5pp，`p = 0.0000`

★★★★★★★ -> 判定：移除 π 显著提高最好点（+29.5pp，p = 0.0000）。 ★★★ 而只看 s6 会得出"没有效果"（p = 0.519）⇒ 合并检验是必须的。

★★★★★★ REL_s8 是最强证据：有 π 时她退化成"只会一条"（24/96），去掉后【四条都活】（86/96）。

#★★★★★ 机制：`π` 让离散控制维度的 logits 饱和

跑次	★ 全部 `\	max\	`	摇杆两维	★ 其余维
`REL_s4`（有 `π`）	59.41	2.68	★ 59.41	★ 88.6%	27.22
★ `RLO_s4`（无 `π`）	4.38	2.58	★ 4.38	★ 0.0%	1.98
`REL_s6`（有 `π`）	35.07	2.72	35.07	59.8%	11.20

★★★★★ -> π 把键/鼠标/emit 那些维度的 logits 推到 27–60，而那里的 sigmoid 完全饱和（exp 溢出）⇒ 梯度 ≈ 0 ⇒ 那些维度只能用"开关式"更新，而它们通过【共享读出向量】影响摇杆侧。 ★ 而摇杆两维一直温和（2.58–2.72，恰在教师靶 ±2.298 附近）。

#★★★★★ 而"保持"仍然未被解决（且我已更正一条说法）

跑次	★ 最好点	★ 之后均值	★ 保持率（之后均值 / 最好点）
`REL_s4`	60.4%	17.2%	28.5%
★ `RLO_s4`	89.6%	4.2%	★ 4.7%
`REL_s6`	75.0%	12.5%	16.7%
`RLO_s6`	59.4%	27.1%	45.6%
`REL_s8`	25.0%	6.8%	27.1%
★ `RLO_s8`	81.2%	33.3%	★ 41.0%

组	★ 保持率（三种子）	★ 均值
`REL`（有 `π`）	28.5% / 16.7% / 27.1%	24.1%
★ `RLO`（无 `π`）	4.7% / 45.6% / 41.0%	30.4%

★★★★★★★ -> 更正：我曾用日志口径说过 "移除 π 改善了保持（最好点之后均值 1.38 → 3.50）"。 用权威口径（eval_f2，24 题/指令）重做后【不成立】： RLO 在 3 个种子里 2 高 1 低，而种子间方差（4.7 ↔ 45.6）远大于组间差（24.1 vs 30.4） ⇒ 不能宣称改善。

★★★ -> 所以 W2 的最终判定只有一条成立： π 移除显著提高【最好点】（+29.5pp，p = 0.0000）；而它对【保持】没有可靠效果。

★ T5 的离线上界已测：REL_s4 66.7% / RLO_s4 100%。

#27.4 ★★★★★ 一条被推翻的旧读数：日志口径系统性偏低

口径	★ `REL_s6_best.pt`
★ 检查点复评（独立工具，贪心）	★ 75.0% / 0.72 格
★ 我的贪心探针	100%
★★ 训练日志的逐指令读数	★★★ 显著更低

⇒ 从本节起，所有"她学会了几条"的读数只允许来自【检查点复评】；训练日志只用于看趋势且必须标注"日志口径"。

#27.5 ★★★★★★★ 末段大更新的驱动项 = `v`（价值项）（2026-10-04 凌晨补）

★ 这一条填掉了旧契约里"未测出：末段大更新由哪一项驱动"那个空格。数据：GN_s5（--gn-split，1270 个落盘点，KL_COEF = 0 ⇒ 四路分解完整）。

项	★ 相对变化（末段 vs p10）	★ 中位梯度范数
★ `v`（价值项）	★★ 6.52x（最大）	0.031
`pi`	3.18x	0.384
`ent`	2.00x	0.001
`sup`	★ 0.36x（下降）	★ 4.614（最大）

最大/第二 = 2.05 ⇒ 判据成立 ⇒ 驱动项是 v。

#★★★★★ 而它带来三条更正

#	★ 更正
1	★★ "谁最大"与"谁在末段增长"是两个不同的问题 —— `sup` 绝对量级最大（`sup`/`pi` = 12.02x）但在末段下降
2	★★★ 证伪审计 F5（"三项尺度差一个数量级"）：实测最大/最小 = 5724x（3.4 个数量级）
3	★★★ "参数更新最大" ≠ "梯度最大" —— 末段参数更新最大（37–50%）而 `sup` 的梯度范数在下降；两者不矛盾，因为 Adam 的步长 ≈ `lr·m̂/√v̂` 与梯度【大小】近似无关，而与【方向一致性】有关

#★★ 一条可零成本检验的预测

若 v 是驱动项，那么 --v-coef 0.0 应减小末段漂移 ⇒ 队列里的 IMO 正好能检验它（与 W2 只移 pi 对比）。

#27.6 ★★★ 今晚的元事实：我改了 23 次结论

★ 其中第 183 条教训（"用一个终点的读数定义一个过程的类型"）复现了 2 次。 ★ 而 20 处实现层的错误也被逐一修正（含一个导致两个训练同时跑的闸门竞态，已改成 OS 级原子文件锁并通过验证）。

★★ 完整台账：journal/CRITERIA_LEDGER.md、journal/GOAL_NAVIGATION.md、 journal/SESSION_SUMMARY_2026-10-03_NIGHT.md、journal/INTERVENTION_PREDICTIONS.md。