这个项目要回答的问题

我们希望模型先从预训练数据中学到可迁移的能力，再通过后训练适应具体任务。研究要能说明：自己的预训练起点带来了什么改善，下一轮应该优先改数据、训练配方，还是算力投入。 10月要集中回答一个具体问题：11月1日前，验证UMI数据能否提升OpenWAM在仿真和真机上的表现。为此，需要建立RoboDojo、Jenga和真机任务的比较基线，再分别用已有缓存数据和trainv3数据验证UMI action的收益。数据转换、训练和评测都围绕这个问题推进；OKR中的成功率是目标，部分基线仍待明确。 因此，一次训练的意义既要看模型学得怎样，也要看它实际执行任务时有什么变化。训练损失loss下降，说明它更好地拟合了相应训练目标；机器人能否更稳定完成任务，还要通过任务评测判断。

最近几条实验分别到哪里了

V0.5-5已有可加载的step36956基座。标准20%后训练于10月15日18:18完成12000步；19:00检查确认全部训练进程完成，最终权重能读回且数值一致。能否精确接续训练，仍需单独验证，具体检查记录留在实验目录。 V055评测尾局已按10月16日16:02的要求停止，保留固定测试599／600局和全量2095／2100局。现有成绩可继续分析，缺失部分保留记录。 TTT整理稿已提出记忆消融、同数据比较和数据路线；目前训练拟合的改善尚未稳定体现为实际任务收益。UMI action恢复训练据王煜楷10月16日的原报告使用320卡继续，当前云作业的最终状态尚未取得。

怎样判断收益来自哪项改动

比较训练方案时，保存数据、代码、配置、初始化和权重的对应关系，并核对图像处理、固定测试样本等条件。否则两次结果不同，可能同时受到多个变化的影响。 例如，UMI action恢复版同时改变了卡数、batch和监督方式。即使结果改变，也不能只归因于恢复了action监督，需要同条件对照才能分辨。 Kuangzhi_Ge确认，当前没有action标签的样本先置零，再按整个batch平均计算loss。这种做法会怎样影响梯度，仍在讨论，还没有对照结论。

先看模型实际拿到了什么数据

机器人动作数据需要讲清坐标系、绝对位置还是位移增量、采样频率和归一化方式。文件能读、字段齐全之后，还要回放代表性样本，看这些数值是否表达了想让机器人学的动作。 例如，Streaming汉诺塔失败时，先回放原始轨迹，核对基座使用Delta还是Absolute动作。Delta描述相对变化，Absolute描述绝对目标；如果接入时把它们弄反，不能直接把失败归为模型能力不足。 跨机器人使用数据时，也要用真实样例确认坐标和动作含义。模型名、旧指标或录音转写有歧义时，回到原件核对。

Caption先做小样，再决定是否扩大

Caption是为样本配的文字描述。10月14日站会安排先取约100条样本，做人工对照和指标评审，看描述质量是否过关，再考虑扩大重标，并用同条件训练比较效果。 这里有三个需要分别回答的问题：描述是否更准确，筛选指标能否识别好坏，以及这些变化能否改善训练后的任务表现。目前这是实验安排，还没有证明是一套有效配方。

下一轮实验怎样接续

从原实验记录找到数据、配置、权重和结果，先确定这次要验证哪一个问题，再到相关原讨论核对后续安排。对照条件尽量保持一致；必须同时改变的部分，在解释结果时说清楚。 基模研发目前按观察到的工作线整理，组织归属继续按原件和人的反馈确认。新的训练、全库重标、调卡和数据发布按具体交办执行；成本与工期预测保留估算含义。