Navigation V3 固定实验报告

生成时间：2026-09-17T15:25:00.803913+00:00。

结果齐全，已完成独立核验。

预定主模型 greedy 的 test／OOD 完成率为 90%／55%，T=1 采样为 90%／75%；对应采样路径效率为 0.8356／0.6213。

主模型采样相对均匀随机的 OOD 完成率差为 0.0500 [-0.2000, 0.2500]，路径效率差为 0.5085 [0.3129, 0.6859]。本次结果支持路径效率改善，尚不足以确认陌生地图通关率稳定提高。

四组 gold 对照中，显式坐标对 greedy 完成率的平均影响为 test 0.5500 [0.3250, 0.7500]、OOD 0.3000 [0.1000, 0.4750]。多起点覆盖没有表现为普遍收益，完整主效应与交互见下表。

次要教师分布监督模型在采样下完成 test 95%、OOD 90%；OOD 路径效率为 0.5442。其完成率点值高于主 gold 模型，效率点值较低；当前配对区间不足以判定教师目标总体优于 gold 目标。

主展示预先固定为 v3_gold_coords_multi_seed17。四个 gold 模型组成输入表示（ASCII／坐标）×训练起点覆盖（single／multi）的 2×2 对照；同表示的教师分布监督是次要对照。未依据 test 或 OOD 改默认模型、温度、控制器或训练设置。

四个 gold 模型都使用 300 张训练地图×8 个 D4 呈现槽，共 2400 条导航训练曝光，加 984 条相同非导航 replay；单起点为每原始地图 1 个起点，多起点共 1874 个原始起点。每组都从同一 V2 teacher seed 17 权重恢复，用新优化器训练 1200 步、head warmup 0 步。single 的 8 次 D4 呈现不代表 8 个不同原始起点。

只有 1 个训练 seed，不能估计训练随机性的方差。95% 区间按完整源地图进行 500 次配对 bootstrap，反映固定 checkpoint、固定采样种子下的地图采样不确定性；不覆盖训练 seed 或控制器 RNG 的变化。区间未作多重比较校正。

固定闭环协议与覆盖

test 与 OOD 各取冻结文件顺序中前 20 张不同的可达、非终局地图，所有策略使用相同初始状态；共有 40 张地图，与训练源地图重叠 0。每局最多 2×size² 步，保留所有成功和失败。单合法动作直接执行并另计，不调用模型；其余活跃状态每个 tick 一次批量 forward。

greedy 取原始概率最大动作；sample 从完整原始 T=1 分布采样。各 episode 使用 stable-hash 派生的独立 RNG，强制步不消耗随机数。不添加访问惩罚、epsilon、温度调优、循环提前终止或 oracle 兜底。原始概率、随机数和实际动作全部保存并独立重放核验。

路径效率为成功时最短距离／实际步数，失败为 0。重复访问率为已访问目的格所占步数，初始格也计为已访问。p(optimal) 和实际最优动作率只统计非强制决策，按决策步数加权。它们与最终通关率分别报告；p(optimal) 是策略在 BFS 最优动作集合上的质量，不能视为通关概率。

闭环 p(optimal) 还受到各控制器实际访问状态的影响；不同控制器之间的差值不是在同一固定状态集合上的能力差。下方离线指标则使用相同冻结状态。

V3 与 V2 使用不同地图集合、表示和训练安排，本报告不将两版数字直接作胜负比较。

模型／控制器	分区	完成率	路径效率	平均步数	重复访问率	p(optimal)	实际最优率	强制步
random	test	0.7000	0.1399	17.6500	0.6657	0.5155	0.5046	26
random	ood	0.7000	0.1127	43.8000	0.7386	0.4853	0.5000	54
oracle	test	1.0000	1.0000	2.3000	0.0000	1.0000	1.0000	0
oracle	ood	1.0000	1.0000	4.2500	0.0000	1.0000	1.0000	0
v3_gold_ascii_single_seed17/greedy	test	0.5000	0.5000	17.0500	0.8680	0.5371	0.3783	74
v3_gold_ascii_single_seed17/greedy	ood	0.3000	0.3000	51.2500	0.9346	0.6294	0.4021	177
v3_gold_ascii_single_seed17/sample	test	0.7500	0.2956	15.4000	0.7078	0.5258	0.4964	30
v3_gold_ascii_single_seed17/sample	ood	0.7000	0.3729	32.0500	0.7441	0.5146	0.5000	45
v3_gold_ascii_multi_seed17/greedy	test	0.2000	0.2000	25.9000	0.9382	0.5063	0.4555	46
v3_gold_ascii_multi_seed17/greedy	ood	0.0500	0.0500	68.5000	0.9686	0.5246	0.4820	36
v3_gold_ascii_multi_seed17/sample	test	0.7000	0.1399	17.6500	0.6657	0.5155	0.5046	26
v3_gold_ascii_multi_seed17/sample	ood	0.7000	0.1127	43.8000	0.7386	0.4851	0.5000	54
v3_gold_coords_single_seed17/greedy	test	0.9000	0.9000	5.0000	0.6000	0.6937	0.7000	0
v3_gold_coords_single_seed17/greedy	ood	0.4000	0.4000	44.1500	0.9513	0.5136	0.4947	36
v3_gold_coords_single_seed17/sample	test	1.0000	0.9386	3.4000	0.2500	0.8330	0.8382	0
v3_gold_coords_single_seed17/sample	ood	0.7000	0.5607	27.3500	0.8282	0.5042	0.5137	37
v3_gold_coords_multi_seed17/greedy	test	0.9000	0.9000	5.1000	0.5784	0.7489	0.6163	16
v3_gold_coords_multi_seed17/greedy	ood	0.5500	0.5500	33.9000	0.9277	0.4937	0.4984	36
v3_gold_coords_multi_seed17/sample	test	0.9000	0.8356	5.9000	0.5593	0.6987	0.6404	4
v3_gold_coords_multi_seed17/sample	ood	0.7500	0.6213	25.1000	0.7988	0.5380	0.5224	33
v3_teacher_coords_multi_seed17/greedy	test	0.9000	0.9000	5.0000	0.6100	0.7051	0.6800	0
v3_teacher_coords_multi_seed17/greedy	ood	0.5000	0.5000	37.5500	0.9361	0.4857	0.4425	107
v3_teacher_coords_multi_seed17/sample	test	0.9500	0.8250	4.7500	0.4526	0.7997	0.7033	4
v3_teacher_coords_multi_seed17/sample	ood	0.9000	0.5442	22.6500	0.7550	0.5416	0.5519	29

预定主模型与配对差值

以下为点估计及 95% bootstrap 区间。差值严格按表中方向；完成率、效率越高越好，重复访问率越低越好。JSON 包含全部固定 2×2 主效应、交互、次要教师对照和各模型 sample−greedy 的配对区间。

预定比较	分区	完成率／差值 [CI]	路径效率／差值 [CI]	重复访问率／差值 [CI]
v3_gold_coords_multi_seed17/greedy	test	0.9000 [0.7500, 1.0000]	0.9000 [0.7500, 1.0000]	0.5784 [0.0000, 0.7684]
v3_gold_coords_multi_seed17/greedy	ood	0.5500 [0.3238, 0.7500]	0.5500 [0.3238, 0.7500]	0.9277 [0.8655, 0.9541]
v3_gold_coords_multi_seed17/sample	test	0.9000 [0.7500, 1.0000]	0.8356 [0.6688, 0.9800]	0.5593 [0.0235, 0.7008]
v3_gold_coords_multi_seed17/sample	ood	0.7500 [0.5500, 0.9262]	0.6213 [0.4229, 0.8008]	0.7988 [0.6876, 0.8452]
greedy/primary_minus_random	test	0.2000 [0.0500, 0.4000]	0.7601 [0.6278, 0.8682]	-0.0873 [-0.6686, 0.0951]
greedy/primary_minus_random	ood	-0.1500 [-0.4000, 0.0500]	0.4373 [0.2174, 0.6320]	0.1891 [0.1210, 0.2441]
sample/primary_minus_random	test	0.2000 [0.0500, 0.4000]	0.6957 [0.5437, 0.8230]	-0.1064 [-0.5862, 0.0046]
sample/primary_minus_random	ood	0.0500 [-0.2000, 0.2500]	0.5085 [0.3129, 0.6859]	0.0602 [-0.0531, 0.1230]
greedy/mean_coordinates_effect	test	0.5500 [0.3250, 0.7500]	0.5500 [0.3250, 0.7500]	-0.3139 [-0.8824, -0.1208]
greedy/mean_coordinates_effect	ood	0.3000 [0.1000, 0.4750]	0.3000 [0.1000, 0.4750]	-0.0121 [-0.0524, 0.0089]
greedy/mean_multi_effect	test	-0.1500 [-0.2750, -0.0250]	-0.1500 [-0.2750, -0.0250]	0.0243 [-0.2713, 0.3237]
greedy/mean_multi_effect	ood	-0.0500 [-0.1750, 0.0750]	-0.0500 [-0.1750, 0.0750]	0.0052 [-0.0186, 0.0207]
greedy/interaction	test	0.3000 [0.0500, 0.5500]	0.3000 [0.0500, 0.5500]	-0.0918 [-0.6776, 0.5295]
greedy/interaction	ood	0.4000 [0.2000, 0.6500]	0.4000 [0.2000, 0.6500]	-0.0576 [-0.1173, -0.0252]
sample/mean_coordinates_effect	test	0.2250 [0.1000, 0.3750]	0.6694 [0.5533, 0.7685]	-0.2821 [-0.6167, -0.1661]
sample/mean_coordinates_effect	ood	0.0250 [-0.1000, 0.1631]	0.3481 [0.2004, 0.4823]	0.0721 [0.0049, 0.1116]
sample/mean_multi_effect	test	-0.0750 [-0.1750, 0.0250]	-0.1294 [-0.2118, -0.0488]	0.1336 [-0.0107, 0.2191]
sample/mean_multi_effect	ood	0.0250 [-0.1000, 0.1500]	-0.0998 [-0.2180, 0.0079]	-0.0175 [-0.0805, 0.0636]
sample/interaction	test	-0.0500 [-0.2762, 0.1500]	0.0526 [-0.1337, 0.2285]	0.3514 [0.0973, 0.5028]
sample/interaction	ood	0.0500 [-0.3000, 0.3500]	0.3208 [0.0615, 0.5929]	-0.0238 [-0.1679, 0.1272]
greedy/secondary_teacher_minus_gold	test	0.0000 [-0.1500, 0.1500]	0.0000 [-0.1500, 0.1500]	0.0316 [-0.5925, 0.6000]
greedy/secondary_teacher_minus_gold	ood	-0.0500 [-0.2000, 0.1262]	-0.0500 [-0.2000, 0.1262]	0.0084 [-0.0306, 0.0472]
sample/secondary_teacher_minus_gold	test	0.0500 [0.0000, 0.1500]	-0.0106 [-0.1148, 0.0870]	-0.1067 [-0.2897, 0.0753]
sample/secondary_teacher_minus_gold	ood	0.1500 [-0.0500, 0.3500]	-0.0770 [-0.2272, 0.0839]	-0.0438 [-0.1793, 0.0712]

离线 gold 目标与教师拟合分别报告

完整离线 test 为 80 张地图×3 个起点×3 道题（720 题），OOD 为 40×3×3（360 题），包含不可达状态。它们的覆盖范围大于上面的可达闭环子集。动作 gold 是最优动作均匀策略；Boolean／Score gold 是可程序验证的确定真值。动作 CE／KL 只评价对参考策略的恢复，不能声称已经校准环境不确定性。

模型	分区	动作最优命中	动作最优质量	动作 gold CE	动作 gold KL	Solvable 准确率／Brier	Value 准确率／Brier
v3_gold_ascii_single_seed17	test	0.6583	0.6746	0.8012	0.4818	0.7500／0.3658	0.3833／0.6469
v3_gold_ascii_single_seed17	ood	0.7083	0.6830	0.8782	0.4883	0.7500／0.3600	0.2333／0.7797
v3_gold_ascii_multi_seed17	test	0.5958	0.6316	0.8593	0.5399	0.7500／0.3750	0.3833／0.6791
v3_gold_ascii_multi_seed17	ood	0.6333	0.6084	0.9930	0.6030	0.7500／0.3760	0.2333／0.8274
v3_gold_coords_single_seed17	test	0.9542	0.9387	0.4419	0.1224	0.8833／0.2005	0.8542／0.2395
v3_gold_coords_single_seed17	ood	0.7583	0.7434	1.3446	0.9546	0.8167／0.3224	0.5917／0.7453
v3_gold_coords_multi_seed17	test	0.9458	0.8909	0.4979	0.1784	0.8042／0.2748	0.7708／0.3399
v3_gold_coords_multi_seed17	ood	0.8000	0.7699	0.9101	0.5201	0.8167／0.2638	0.6000／0.6494
v3_teacher_coords_multi_seed17	test	0.9667	0.9282	0.5060	0.1866	0.7500／0.3289	0.6542／0.4798
v3_teacher_coords_multi_seed17	ood	0.8000	0.7695	0.9480	0.5580	0.7500／0.3518	0.4917／0.6464

教师拟合使用冻结坐标输入上 Jev 返回的可用原样 rounded proxy；ASCII 学生与这一教师参考比较时，教师输入仍是坐标表示，不能称作 ASCII 输入上的 Jev 实测。非归一化和缺失教师输出仅在教师指标中剔除，学生 gold 指标仍覆盖全部题。CE／KL 使用自然对数和 1e-12 概率下限；JSON 报告受下限影响的目标质量。多类 Brier 未除以类别数。

分区／题型	教师可用／总数	隔离无效	缺失
test/action	238/240	1	1
test/solvable	239/240	0	1
test/value	238/240	1	1
ood/action	119/120	1	0
ood/solvable	120/120	0	0
ood/value	118/120	2	0

模型	分区／题型	教师覆盖题数	教师 TV	教师 KL
v3_gold_ascii_single_seed17	test/action	238	0.3550	0.4259
v3_gold_ascii_single_seed17	test/solvable	239	0.1336	0.1643
v3_gold_ascii_single_seed17	test/value	238	0.5266	1.2847
v3_gold_ascii_single_seed17	ood/action	119	0.3467	0.4085
v3_gold_ascii_single_seed17	ood/solvable	120	0.1312	0.1588
v3_gold_ascii_single_seed17	ood/value	118	0.6107	2.2611
v3_gold_ascii_multi_seed17	test/action	238	0.3972	0.4644
v3_gold_ascii_multi_seed17	test/solvable	239	0.1678	0.1062
v3_gold_ascii_multi_seed17	test/value	238	0.5359	1.1715
v3_gold_ascii_multi_seed17	ood/action	119	0.4046	0.4799
v3_gold_ascii_multi_seed17	ood/solvable	120	0.1756	0.1129
v3_gold_ascii_multi_seed17	ood/value	118	0.6212	2.1418
v3_gold_coords_single_seed17	test/action	238	0.1408	0.1858
v3_gold_coords_single_seed17	test/solvable	239	0.2769	1.0034
v3_gold_coords_single_seed17	test/value	238	0.4425	2.2398
v3_gold_coords_single_seed17	ood/action	119	0.3453	0.8668
v3_gold_coords_single_seed17	ood/solvable	120	0.2944	0.9721
v3_gold_coords_single_seed17	ood/value	118	0.6348	3.7301
v3_gold_coords_multi_seed17	test/action	238	0.1687	0.1574
v3_gold_coords_multi_seed17	test/solvable	239	0.2766	0.5412
v3_gold_coords_multi_seed17	test/value	238	0.4213	1.0553
v3_gold_coords_multi_seed17	ood/action	119	0.3024	0.4217
v3_gold_coords_multi_seed17	ood/solvable	120	0.2788	0.5195
v3_gold_coords_multi_seed17	ood/value	118	0.5660	1.9061
v3_teacher_coords_multi_seed17	test/action	238	0.0753	0.0398
v3_teacher_coords_multi_seed17	test/solvable	239	0.0462	0.0145
v3_teacher_coords_multi_seed17	test/value	238	0.1126	0.0685
v3_teacher_coords_multi_seed17	ood/action	119	0.2972	0.4120
v3_teacher_coords_multi_seed17	ood/solvable	120	0.0384	0.0127
v3_teacher_coords_multi_seed17	ood/value	118	0.2815	0.3351

完整性与来源

固定 warm-start SHA-256：231b5178098477d9f82ae2cf38786d9ab8e0a80a019f009e55b772a66882cec4。主展示和运行配置来自训练前 launch manifest；每个结果的输入、配置、checkpoint、预测及轨迹哈希记录在 JSON。所有已加载闭环轨迹均由环境重新推进，并重放逐 episode 随机数；结果不依赖 JSON 内自报的成功率。

warm-start hash 核对的是冻结源权重和运行清单；训练器日志未另行记录加载瞬间的权重 hash。学生回放的 checkpoint hash 与训练完成后 best 权重清单逐项匹配，每步输入也按冻结 renderer 重建并核对 hash。

远端闭环使用删除 teacher／oracle 标签后的最小环境包；本地基准保留原始 canonical 文件来源。两套文件哈希分别记录，环境身份、顺序及初始状态逐项一致；不将这种序列化差异当作地图差异，也不隐藏来源变化。

离线训练结果齐全：5/5；闭环结果齐全：12/12（含两个基准）。

ASCII multi 学生在已访问状态的 1149 次采样决策中，每个候选概率与均匀分布的最大绝对差仅 0.00244141；40 局中 39 局的完整动作序列与同种子随机基准相同。学生原始概率、唯一不同轨迹与所有失败均保留。

旧非导航任务的回归测试见独立回归报告。它复用 V2 测试题，不属于新的未见任务评测；其中记录的 OOD 退步与本报告的新导航收益同时保留。