摘要
实验 0216 训练出的“该不该偏离基线”模型（ADV）在完整对局中 0 胜 16 负。一个候选解释是：训练标签只模拟“整局改一次、之后照基线下”，部署时却允许每回合都改，重复改选可能放大了错误。本实验冻结所有权重、零训练，只改一个因素——改选额度——来检验这个解释。
结果很干脆：新模型无论整局改一次还是每回合改一次，都是 1 胜 23 负；未训练的旧权重两种方式都是 11 胜 13 负。新−旧（单次）为 −.416667，频率交互项为 0。单次改选本身就已经有害，本批数据中重复改选没有带来额外损失。 诊断按计划完成，优势策略这条路线随之关闭。
要回答的问题
ADV 的失败，是因为“学出来的单次改选”本身是坏的，还是因为“每回合重复使用”把小错误放大成了大失败？
方法
五个策略，都与基线 AI F（Fair：只用玩家可见信息的搜索 AI）对战：
| 策略 | 固定权重 | 成功改选额度 |
|---|---|---|
| F | 原基线 | 0 |
| W1 | 0214 的 BC 权重（未按新目标训练） | 整局最多 1 次 |
| A1 | 0216 的 ADV 权重 | 整局最多 1 次 |
| WR | 0214 的 BC 权重 | 每回合最多 1 次 |
| AR | 0216 的 ADV 权重 | 每回合最多 1 次 |
四个神经包装策略完全沿用 0216 的候选生成、分数差阈值（严格大于 +0.5）和平分顺序。“整局一次”是在第一次成功执行非基线动作后才用完额度，之后全部照 F 走——不是“只在第一回合能改”。
另外在同一协议内做一次最多 5 分钟的只读检查：用两份冻结模型重新评估 0216 的 206 个训练标签。
主要读数（按来源先合并两侧再平均）：
- D1 = A1 − W1：单次改选时，新目标训练带来的差别；
- I = (AR − A1) − (WR − W1)：每回合改选相对单次改选的额外损失，是否只出现在新模型上（交互项）。
设置（冻结的条件）
- 来源（固定初始布局和随机种子）：从扩大布局池中排除 116 个已用组后剩 78，冻结最先的 12 个新组。每来源五策略各执蓝/执红，共 120 局。统计以 12 个来源为单位，120 局不是 120 个独立样本。
- 预算：总计 30 分钟、CPU 8 核低优先级；零 GPU 更新。
- 20 完整回合未决，或一方灭后对面只剩召唤等临时生命，判双输，双方各得 0 分。
- 本地预先固定的判断门槛（新结果出来前写好）：
- “单次改选已退化”：D1 保守上界 ≤ −.10，且至少 3 个来源 D1 上界 < 0；
- “重复改选放大损失”：WR、AR 各至少 4 个来源出现第二次成功改选，D1 下界 > −.10，AR−A1 与 I 上界都 ≤ −.10；
- “有限改选有正向信号”：A1−F 与 A1−W1 下界都 ≥ +.10、各至少 3 个来源改善。
结果
单次运行 127.405930 秒（含只读诊断 6.008267 秒）。120/120 终局：112 局普通胜负、8 局回合双输；无未知、无故障、无重试。
| 策略 | 胜 | 负（含双输） | 双输 | 来源平均分 | 成功改选次数 |
|---|---|---|---|---|---|
| F | 10 | 14 | 4 | .416667 | 0 |
| W1 | 11 | 13 | 2 | .458333 | 23 |
| A1 | 1 | 23 | 1 | .041667 | 24 |
| WR | 11 | 13 | 0 | .458333 | 78 |
| AR | 1 | 23 | 1 | .041667 | 92 |
- A1 − W1 = −.416667：0 个来源改善、9 个退化、3 个持平；A1 − F = −.375，同样 0 改善 / 9 退化。
- AR − A1 = 0，WR − W1 = 0，交互项 I = 0。每个模型在两种频率下 24 个受控方向的胜负一一相同（但轨迹和双输出现的来源不完全相同）。
- 重复改选覆盖充分：WR、AR 各在全部 12 个来源出现过第二次成功改选。
- 判定：单次改选已退化 = 是；重复改选放大损失 = 否；有限改选正向信号 = 否。
A1/AR 的首次改选全部是第 1 回合的移动（24 次）；W1/WR 的首次改选是 20 次攻击、3 次等待、1 局无改选，首次改选回合分布在第 1–9 回合，说明“整局一次”没有被误实现成“只在首回合”。
训练标签只读检查：
| 读数 | WARM（BC 权重） | ADV |
|---|---|---|
| 全 206 标签 MSE | 19.504655 | .613241 |
| 全 206 标签 MAE | 3.696305 | .534258 |
| 90 个非零标签方向正确 | 41 | 37 |
| 44 个负标签方向正确 | 34 | 26 |
| 46 个正标签方向正确 | 7 | 11 |
| 116 个零标签 MSE | 20.285472 | .064293 |
| 全体预测 > .5 | 17 | 20 |
ADV 把误差压低了很多，但方向判断并没有更好（37 vs 41），完整对局也没有改善。
正确性：3720 个转移与公开输入、1350 个网络回执、120 次起始随机数扰动核验通过；模型参数、优化器、版本和随机状态在诊断前后逐值相等。120 局回放全部导入并通过交互检查。109 项软件检查通过。
失败与负结果
本实验本身按计划完成；它给出的是对 0216 路线的负结论：学出来的单次改选已经让 24 局里只赢 1 局。
局限
- 交互项为 0 只说明本批 2v2 场景里重复改选没有额外害处，不代表所有场景都如此，也没有定位训练退化的唯一机制。
- “零标签把旧偏好压平”“标量回归不适合排序”等解释都未验证，不据此改损失或继续调参。
- A1 首次改选都是第 1 回合移动，这只是轨迹观察，不能单凭移动次数判定错误。
结论与下一步
退化的根子在“学到的那一次改选”本身，而不是使用频率。关闭优势策略这条路线，不再沿用这 206 个标签。下一步换一种不依赖逐步标签的学习方式：实验 0218 在非对称 1v1 小课程上用 CEM（交叉熵方法，一种按整局胜负筛选参数的进化式搜索）从零优化一个六参数策略。
Comments