V3 旧非导航任务回归

当前模型仍是有限任务原型，不能视作 JeV 的通用替代。V3 gold 主模型在旧 test 上改善，但旧 OOD 的部分任务退步；较低的教师分布误差也不等于较高的独立 gold 质量。

本报告评估两个冻结 V3 主模型在 V2 原 test/ood 中的 440 个自写合成状态、1320 题，排除所有 grid_navigation。问题ID、候选顺序、gold 和教师参考与 V2 保存结果逐项一致。它是旧 held-out 回归诊断，不是新的泛化证据，也未用于训练、模型选择或调参。V2 对照直接使用此前保存预测。

数据	模型	题数	gold KL ↓	gold TV ↓	teacher KL ↓
test	V2 teacher17（共同初始模型）	864	0.315480	0.220292	0.056820
test	V3 gold coords/multi（预定主展示）	864	0.246701	0.151547	0.263778
test	V3 teacher coords/multi	864	0.382994	0.224973	0.048613
ood	V2 teacher17（共同初始模型）	456	0.364422	0.238399	0.142179
ood	V3 gold coords/multi（预定主展示）	456	0.416760	0.191226	0.444958
ood	V3 teacher coords/multi	456	0.450015	0.246808	0.119918

KL 的方向是 KL(target || student)，TV 为半个 L1 距离，均按问题等权平均。teacher 指对合法的、经舍入的教师分布代理的保真度；gold 来自独立程序目标。最优动作策略分布并非事件发生概率，兼容 argmax 也不是观测标签。

以下逐领域比较预定主模型 V3 gold coords/multi 与共同初始模型 V2 teacher17；正 ΔKL 表示退步。

数据	family	题数	V2 gold KL	V3 gold KL	ΔKL	V2 TV	V3 TV
test	catalog_lookup_v2	144	0.043719	0.000080	-0.043639	0.041083	0.000080
test	known_chance_v2	192	0.276577	0.014671	-0.261907	0.250974	0.054693
test	smart_home_v2	192	0.072517	0.038967	-0.033550	0.056799	0.028087
test	support_decisions_v1	96	0.032649	0.000073	-0.032576	0.031650	0.000073
test	tic_tac_toe_minimax_v1	240	0.817161	0.845134	+0.027973	0.509521	0.479268
ood	access_evidence_ood_v1	48	0.475038	0.794405	+0.319367	0.309460	0.208945
ood	catalog_lookup_v2	96	0.040722	0.000072	-0.040650	0.038454	0.000072
ood	known_chance_v2	96	0.273737	0.011822	-0.261915	0.246142	0.049286
ood	smart_home_v2	96	0.141990	0.252532	+0.110541	0.078534	0.041674
ood	tic_tac_toe_minimax_v1	120	0.829627	1.054385	+0.224758	0.491630	0.570257

主模型的已知随机分布任务明显改善，但 OOD 井字棋、权限证据和智能家居的 gold KL 上升。权限证据与智能家居的 TV 同时下降，说明只看平均绝对概率误差会遗漏对数损失的恶化。teacher 主模型更贴近教师，但已知随机分布任务的 test/ood gold KL 从 0.276577/0.273737 升至 0.659861/0.733282。回放训练数据不保证所有目标与领域均保留原能力。

两个新诊断都使用冻结权重、BF16、T=1；无温度拟合、无训练、无 API 调用，各耗时约20秒。五个 V3 模型都从 V2 teacher17 权重初始化，gold 只描述 V3 阶段的目标。V3 仅有一个固定训练 seed，不足以估计训练方差。

公开 JSON 含完整按 family、题型、目标种类聚合的 CE/KL/TV、权重与来源 SHA256，不含原始教师标签或逐题预测。详见回归聚合和训练清单。

快照未包含部分工程附件或配图；请通过上游链接或原始材料查看，收录范围见来源清单。