判读线（预登记）

负结果只有在判读线先于结果落定时才算数。本页在结果产出之前写死判读标准与预测，以 git 提交时间为证。

声明时刻已知与未知

声明时（2026-09-02，UTC+8 晚）已知：YOLOv8n 三臂（baseline / esmoe / esmoe-rewire）各三 seed 的全部结果、其面积分档与路由分析；YOLO11n baseline seed 0 的总体指标。未知：YOLO11n 的 esmoe / rewire 全部三 seed 与 baseline 另两个 seed；YOLO12n、YOLO26n 的全部运行。判读线与预测约束的是这些未知结果。

判读线

对每个「主干 × 臂」组合（同预算、同数据、同增广、同评测口径、三 seed 同 seed 配对）：

• 有效：配对 mAP50 均值 > 0，且 ≥ 2/3 seed 为正，且配对 mAP50-95 均值 ≥ 0。
• 无效：配对 mAP50 均值 ≤ 0，或 ≤ 1/3 seed 为正。
• 证据不足：其余情形（例如均值为正但 mAP50-95 为负）。

三个 seed 不支持显著性检验：即使 3/3 胜，符号检验 p = 0.125。因此任何"有效"都只表述为"方向一致的小幅改善"，不表述为可靠的单次提升。

预测（声明于结果之前）

1. 默认接法的效应不随主干迁移的原因是接线而非主干：YOLO11n / 12n / 26n 上 rewire 臂的配对 mAP50 均值都高于同主干的默认 esmoe 臂。
2. 默认接法在每代主干上都伤大目标：12n / 26n 的默认臂分档 APl 均值为负（P5 侧向绕过块在四代结构里都存在）。
3. YOLO11n 在协议预算下的默认臂仍达不到"有效"（640/20ep 时为负；若 800/120ep 翻正则原"不跨主干"结论需要修正并公开说明）。

预测错了就照实记录——本页的意义正在于让"事后解释"无处遁形。

证据链

每次运行一条 JSON（results/，含 git_ref、环境、预算、seed、指标、产物路径）；分档与路由分析由 scripts/buckets.py / scripts/routing.py 从 checkpoint 重算，均可复现。36 轮的 best.pt 与训练参数在 checkpoints 分支（Git LFS）。

判定（2026-09-04，全矩阵产出后）

四代主干 × 三臂 × 三 seed 共 36 轮全部按协议预算（VisDrone 全量训练、800px、120 epoch、patience 0、batch 32、同 seed 配对）跑完。按上文判读线逐格判定：

主干	默认 esmoe	rewire
YOLOv8n	有效（mAP50 +0.0025，2/3；mAP50-95 +0.0004）	有效（+0.0036，3/3；+0.0011）
YOLO11n	有效（+0.0013，2/3；+0.0001）	有效（+0.0004，2/3；+0.0002）
YOLO12n	无效（−0.0018，0/3；−0.0021）	有效（+0.0001，2/3；+0.0006）
YOLO26n	无效（−0.0034，0/3；−0.0022）	无效（−0.0005，1/3；+0.0008）

判读线声明过：三 seed 不支持显著性检验，任何「有效」只表述为方向一致的小幅改善。YOLO12n 的 rewire 达线但均值近零，按「持平」理解更稳妥。

预测对账

1. 部分成立。rewire 臂的配对 mAP50 均值在 12n（+0.0001 对 −0.0018）与 26n（−0.0005 对 −0.0034）高于默认臂，在 11n（+0.0004 对 +0.0013）低于默认臂。
2. 不成立。12n、26n 默认臂的分档 APl 均值分别为 +0.0068 与 +0.0085，都不为负；「默认接法伤大目标」是 v8n 特有的现象（v8n APl 0/3、均值 −0.0104），没有随代际迁移。26n 默认臂真正一致受损的是小目标（APs 0/3、均值 −0.0045）。
3. 不成立，公开更正。YOLO11n 默认臂在协议预算下达到「有效」（+0.0013，2/3；mAP50-95 +0.0001）。此前基于 640px/20ep 结果给出的「效应不跨主干」结论不成立：小预算下的负结果放大预算后翻正，原结论撤回。

全矩阵可靠的规律

• 默认接法的效应随主干代际单调衰减：+0.0025（v8n）→ +0.0013（11n）→ −0.0018（12n）→ −0.0034（26n）。主干末端越新（SPPF → C2PSA → A2C2f → E2E 头），同一嫁接点的默认接法越吃亏。此条已于第二轮判定撤回：七代凑齐后按版本号排不再单调，改按主干末端结构分组，见下文。
• rewire 在 12n、26n 把默认臂的一致损失拉回持平附近，在 v8n 是唯一 3/3 的臂；仅在 11n 略低于默认臂。接线（消费者是否读到块输出）是比主干更大的自变量，但方向也不是处处占优。
• 分档伤害的位置随主干变：v8n 伤大目标、26n 伤小目标、12n 方向不稳。任何「该块对某尺度有利/有害」的固定表述都过不了四代矩阵。
• 路由四代同构塌缩：无死专家、单主导专家、平均概率近均匀、无尺度分工；26n 六个 checkpoint 有五个把主导权给了 k = 9 专家。改接线不改路由。

第二轮预登记（2026-09-05，声明于 YOLOv5 / v9 / v10 结果之前）

四代矩阵已判定完毕。未知：YOLOv5n / YOLOv9t / YOLOv10n 的全部 27 轮（同协议、三臂、三 seed）。判读线沿用上文，预测如下：

1. v5n 默认臂配对 mAP50 均值 > 0——其主干末端是 SPPF，与 v8n 同族；「效应随主干代际单调衰减」的旧端应当为正。
2. v10n 默认臂均值 < v5n 默认臂均值——v10 的末端是注意力块（PSA），按「末端越新默认接法越吃亏」的排序，它应落在 v5 之下。
3. 路由塌缩在三代上继续成立——无死专家、单主导专家、平均概率近均匀、无尺度分工。这条是机制预测：若在任何一代上不成立，其信息量比前两条加起来都大。

预测错了照实记录。

补充声明（2026-09-07，仍在任何 v5/v9/v10 结果之前）

两台曦云 C500 到位后，排产为 v9t 九轮、v10n 九轮、v5n 九轮。两点需要提前写明：

1. v5n 整代重跑，补齐缺的 rewire 臂，同时得到一份同配置换主机的复现记录。scripts/report.py 的分组键加入硬件栈，两台主机的同名配置各成一组，不被当作重复样本折进同一格。
2. v10n 加跑 seed 3、4。box b 的排队比 box a 短，空出的机时用于把 v10n 的三条臂同时扩到五个 seed。三臂一起扩、且在任何 v10n 结果产出之前决定，避免"看到结果再决定给哪个格子加样本"。判读线不变；五个 seed 的符号检验 p 最低为 0.031，仍不足以支撑单次运行的可靠性表述。

第二轮判定（2026-09-09，33 轮产出后）

YOLOv5n / v9t / v10n 全部按协议跑完。v5n 在新硬件栈上整代重跑，v10n 三臂各扩到五个 seed。逐格判定：

主干	默认 esmoe	rewire
YOLOv5n（metax3.3）	有效（+0.0055，3/3；mAP50-95 +0.0038）	有效（+0.0024，2/3；+0.0018）
YOLOv5n（metax3.7）	有效（+0.0041，3/3；+0.0026）	仅 seed 0，不判定
YOLOv9t	有效（+0.0025，2/3；+0.0009）	无效（−0.0013，1/3；−0.0021）
YOLOv10n（5 seed）	无效（−0.0002，3/5；−0.0003）	无效（−0.0031，1/5；−0.0016）

YOLOv10n 默认臂的均值压在零上、5 个 seed 里 3 个为正，按判读线归入无效，读作持平更准确。

预测对账

1. 成立。v5n 默认臂两套硬件栈上都为正：+0.0055（3/3）与 +0.0041（3/3）。
2. 成立。v10n 默认臂（−0.0002）低于 v5n 默认臂（+0.0055）。
3. 成立。22 个 checkpoint 上路由塌缩照旧：死专家 0，主导专家 top-1 份额 0.491–0.921（三代均值 0.71–0.82），平均概率熵为最大值的 89.8%–97.2%，主导者随 seed 变，核 3 从未当过主导。

换主机复现

同一套 v5n 配置在两台曦云上各跑九轮：默认臂 +0.0041（metax3.7）对 +0.0055（metax3.3），符号、胜负与量级一致。配对差值是可复现的量。

顺带一个自证：v5n 的 rewire 臂在只有一个 seed 时是 +0.0074，补满三个 seed 后是 +0.0024。图上「不满三个 seed 不画均值」防的正是这种读法。

七代之后，原表述需要改

四代时写的是「效应随主干代际单调衰减」。七代凑齐后按版本号排不再单调——v10n（−0.0002）低于 11n（+0.0013）。按主干末端的结构分组则是齐的：

末端	主干	默认臂均值
SPPF 系	v5n / v8n / v9t	+0.0055 / +0.0025 / +0.0025
注意力	v10n（PSA）/ 11n（C2PSA）	−0.0002 / +0.0013
区域注意力	12n（A2C2f）	−0.0018
E2E 头	26n	−0.0034

分界在末端换成注意力块这一步，不在发布顺序。原「按代际单调衰减」的说法撤回。

第三轮预登记（2026-09-09，声明于任何 gshard 臂结果之前）

核对 YOLO-Master 的 ES_MOE 源码后发现，它优化的负载均衡项与本工具包默认的不是同一个：

	公式	只读什么
上游 ES_MOE	N · Σ usage²（GShard）	平均路由概率
本包默认 switch_balance	E · Σ p̄ᵢfᵢ（Switch）	平均概率 × 实际负载

两者在我们实测到的那种塌缩上都取到最小值：平均概率近均匀、而单个专家吃下 62%–92% 的 top-1 时，Switch 项恒等于 k、GShard 项恒等于 1.0，改变 top-k 的分派都不会让它们动。差别只在概率本身集中时——那时两者都会上升。

gshard_balance 已实现并导出，scripts/train.py --balance gshard 可选。未知：v5n 与 v10n 各三 seed 的 gshard 臂。预测：

1. 换成上游的 GShard 目标不会解除路由塌缩：gshard 臂的主导专家 top-1 份额仍在 0.6 以上，平均概率熵仍在最大值的 90% 以上，死专家仍为 0。这是机制预测——若塌缩真的消失，说明目标函数的选择才是主因，本包的默认值要改。
2. 精度不因此显著改变：v5n 与 v10n 的 gshard 臂配对 mAP50 均值与各自的 switch 臂之差落在 ±0.003 以内（即 seed 间离散度的量级）。

预测错了照实记录。

更正（2026-09-09，仍在 gshard 臂结果之前）

上文「两者在实测塌缩上都取到最小值」是在人工构造的均匀矩阵上算的，真实记录上不成立，照实更正。取 yolov9t-esmoe-s0 的路由记录：平均概率 [0.206, 0.213, 0.200, 0.381] 并不均匀，GShard 项算得 1.0919，高于最小值 1.0——它确实看见了概率集中。

真正的差距在系数。上游 ES_MOE 的 balance_loss_coeff = 1.0，经 moe_gain = 1.0 后直接 total = native_loss + aux；本包默认 attach_aux_loss(weight=0.01)。在同一条真实记录上，对平均概率的平衡梯度：本包 0.0200，上游 0.6159，相差 31 倍。

因此两条预测的理由改写为：塌缩多半不因换目标而解除，是因为本包把平衡项压到了上游的百分之一，而不是因为两个目标都盲。预测本身不变。新增第三条：

1. 把权重抬到上游的 1.0 会明显改变路由：--aux-weight 1.0 下主导专家 top-1 份额较 0.01 时下降，且降幅大于换目标（switch → gshard）带来的降幅。若抬权重也不动，问题就不在平衡项，而在路由器本身。

第四轮预登记（2026-09-09，声明于任何 master 臂结果之前）

读原论文正文（arXiv 2512.23273 第 3.5 节）后发现，论文指定的平衡项与上游代码实现的不是同一个。论文式 (13)：

\[ \mathcal{L}_{LB} = \frac{1}{E}\sum_{i=1}^{E}\left(\mu_i - \frac{1}{E}\right)^2 \]

其中 μᵢ 由 Ω_train——即 top-K 掩码并重归一之后的权重（论文式 8）——在批与空间位置上取平均得到。上游 ES_MOE 则把 GShard 式 N·Σusage² 用在原始 router 概率上。三者在同一对输入上的表现：

目标	均衡分派	塌缩分派	能否分辨
switch_balance（本包默认）	2.00000	2.00000	否
gshard_balance（上游代码）	1.00000	1.00000	否
master_balance（论文式 13）	0.00000	0.00383	能

两组输入的平均概率都均匀，区别只在 top-k 分派是否塌到单个专家。前两者只读概率，读不出差别；论文那条读的是门控后的权重，读得出。我们此前七代实测的塌缩，正落在前两者的盲区内。

master_balance 已实现并可用 --balance master 选择。未知：v5n 与 v10n 的 master 臂各两个 seed。预测：

1. 换成论文指定的平衡项会明显降低主导专家的 top-1 份额：master 臂的主导份额低于同主干 switch 臂，且降幅大于 gshard 臂相对 switch 臂的降幅。这是本轮最强的机制预测——若它也不动，那么塌缩就与平衡项的形式无关，责任在路由器或嫁接点，前三轮的解释都要让位。

注：论文只写 λ_LB > 0，未给具体值，故 master 臂沿用本包默认权重 0.01，不与系数对照混淆。

更正（2026-09-09 晚，仍在 master／结构臂结果之前）

上文第四轮那张「三个目标只有论文能分辨塌缩」的表前提有误，照实更正。

逐句读上游后确认：ES_MOE._compute_load_balancing_loss 把 GShard 式施加在 DynamicRoutingLayer 的返回值上，而它训练期返回 _soft_top_k(...) 的输出——掩码并重归一后的门控。论文式 (12) 的 μ 取的也是门控。于是

\[\mathcal{L}_{\text{论文}}=\frac{\mathcal{L}_{\text{上游}}-1}{E^2}\]

论文与上游代码是同一个目标，仅差仿射变换，最小值点相同、梯度成正比。此前说「两者不是同一个」是错的。

错的是本包：gshard_balance 被写成读原始 softmax，那既非上游亦非论文。已修正为读门控；读概率的版本更名 gshard_probs_balance 保留。因此：

• 那张表里 gshard 一行测的是 gshard_probs，须按此重新标注；已跑完的五条记录的 balance 字段已就地改为 gshard_probs。
• 第四轮预测不撤回：它问的是「读门控的目标能否解除塌缩」，这个问题依然未知且成立。master 臂正在跑。
• 真正的分水岭因此改写为：读概率还是读门控，而不是 Switch 与 GShard 之别。

第五轮预登记（2026-09-09 晚，声明于任何结构臂结果之前）

逐句对照后另有三处结构差异，此前从未纳入实验。三处都做成可配置项，默认保持旧行为以保既有 77 条记录可复现，各自跑成对照臂：

臂	与上游的差异	开关
stages	上游主干每 stage 一块共四块，本包一块	--at backbone_stages
norm	上游加权求和后有 BatchNorm+SiLU（论文式 2 的 Norm）	--out-norm
dense	上游训练期跑满专家，未选权重为 0 但 BN 统计仍更新	--dense-training

预测：

1. 块数是精度差异的主因，stages 臂的配对 mAP50 均值高于单块臂，且提升幅度大于任何一个平衡项换来的幅度。四块的容量与嫁接面都是单块的四倍，若它也抬不动指标，那么「嫁接位置/容量」这一条解释就该退场。
2. dense 臂的主导专家 top-1 份额低于对应的稀疏臂。未被选中的专家在本包实现里 BN 统计冻结、彻底"冷却"，上游让它们保持"温热"；若塌缩确与此有关，这一臂应当把份额压下来。
3. norm 臂对精度的影响落在 ±0.003 以内，即 seed 间离散度的量级——它是结构完整性问题，不预期是精度来源。

预测错了照实记录。

更正（2026-09-09 深夜，仍在任何结构臂结果之前）

上一节把五条记录的 balance 改标为 gshard_probs。那次改标也是错的，连同 --balance、--out-norm、--dense-training 三个开关的全部结果，一并在此更正。

训练器会照 model.yaml 重建模型。YOLO(cfg) 返回实例之后再设到块上的目标函数与开关，落在一个随即被丢弃的对象上，不报错、不留痕。因此这三个开关从未进入真正训练的模型：请求 master 的跑了构造函数默认值，请求输出归一化的训练出来没有归一化，而记录照命令行写，说的是另一回事。

判据取自权重本身，不取自日志：

model = torch.load("best.pt", map_location="cpu", weights_only=False)["model"]
[b.balance.__name__ for b in esmoe.blocks(model)]  # ['switch_balance']

早于某设置的块连对应属性都没有，缺失本身即答案。据此：

• 那五条记录训练的是 switch_balance，与默认臂同配置、同 seed 的另一次运行。它们改标为 switch，并入默认臂的重复项——同卡运行间离散度的直接测量，正是三 seed 置信区间稀缺的东西。
• 标为 master 的两轮实际优化的是读门控的 GShard（esmoe/module.py 的 md5 对应「读门控」那次提交，esmoe_aux 稳定在 0.0101，与均匀门控下 \(N\sum u^2 = 1\) 相符）。按 gshard 记。
• 第四轮预测仍然成立且仍未回答：读门控的目标能否解除塌缩。回答它的是这两轮，不是原先以为的那两轮。

修法与复核。 graft() 把设置写进配置文件（[4, 2, null, {balance: …, out_norm: …, dense_training: …}]），ESMoE 接受 options 映射并按名解析目标函数——重建多少次都在。scripts/train.py 改为从训练完的模型上读块配置写进记录，请求与实际不符即在开跑前退出；tests/test_ultralytics.py 真训一轮守住这条路径。

复核不靠回忆：scripts/blockspec.py 在存权重的机器上读出每个 checkpoint 的块设置，scripts/backfill.py --settings 按它改写记录并把改动写进记录本身。本仓 120 条记录逐条比对，0 条需要更正——已发布的数据是准的，错的只是尚未并入的新臂。

一般化的一条：记录里写着 --flag，不等于 --flag 进了模型。记录要从训练完的模型上读，不要复述命令行。

第四轮判定（2026-09-10，读门控的目标产出后）

第四轮问的是：换成能看见塌缩的目标，塌缩会不会解除。 两轮 v5n（seed 0、1）跑完，答案是不会，而且方向相反。

同一套 scripts/routing.py 在 VisDrone val 548 张上量出来：

目标	checkpoint 数	前两名用量之和（满分 2.0）	最低用量	出现死专家	概率熵
Switch（此前全部记录）	46	1.265–1.777（均 1.468）	0.0365	0 / 46	90%–97%
GShard 读门控	2	1.610–1.898（均 1.754）	0.0091	1 / 2	97%–98%

两个 checkpoint 都落在 Switch 那组的上半段或之上；seed 1 的 1.898 是全部 48 个 checkpoint 里最集中的一个。seed 0 出现了本项目第一个死专家（用量 0.0091），此前 46 个 checkpoint 一个都没有。同时概率熵反而更高（97%–98% 对 90%–97%）——路由概率更平，分派却更集中，正是这条线一直在追的那个背离。

配对精度是 +0.0018（两 seed，1/2 胜），落在同配置重复运行的离散度之内，说明不了什么。

混淆项曾被我写反，此处更正。 起初写的是「两项在同一权重下尺度差一倍，这一臂只承受一半压力」——那是拿两项在最优点的取值去比，而取值说明不了压力。真正决定一个权重买到多少的是该项加在路由 logits 上的梯度。按各 checkpoint 实际收敛到的平均路由概率量（scripts/pressure.py，结果在 results/pressure.md）：

目标	相对 Switch 的梯度（v5n 各 checkpoint）
gshard（读门控）	0.59× – 1.48×
master（论文式 13）	约 1/11 – 1/134，即 1/E² 那个因子

同一个 weight=0.01 下，读门控的项与对照臂受力同量级，并非只有一半。「压力不够」这条退路因此不成立，本轮的判定反而更硬：在与对照臂相当的平衡压力下，读门控没有解除塌缩，分派反而更集中。

仍需说明的是样本量：两个 seed 对四十六个，单一主干对七代。

预登记的第四条预测不成立，照实记录。 master 那一档确实受力低一个数量级，要单独回答「论文那个尺度够不够」，需要把权重按 1/E² 抬上去再跑一轮，本轮没有跑。

同配置重复运行的离散度（2026-09-09，非计划所得）

上一节那六轮误标的运行，实际训练的与默认臂完全相同——同配置、同 seed、同一张卡上的另一次运行。它们因此不是重复样本，而是一把直接的尺子：同一个配置跑两遍，指标能差多少。

results/summary.md 末尾的表由 scripts/report.py 逐条算出：

硬件栈	epoch	重复对数	平均差	最大差
metaxc500 / metax3.3	120	5	0.0045	0.0130
metaxc500 / metax3.3	1	1	0.0000	0.0000
4090d / torch2.6	20	1	0.0000	0.0000

这把尺子量的是我们全部结论的分母。七代主干上，默认臂的配对差值均值是 v5n +0.0055、v8n +0.0025、v9t +0.0025、v10n −0.0002、11n +0.0013、12n −0.0018、26n −0.0034——七个里有六个落在同配置重复运行的平均差（0.0045）之内；只有 v5n 的 +0.0055 越过了它，而它仍远在最大差 0.0130 之内。

三点必须写明：

1. deterministic=True 在这张加速卡上没有兑现。 训练器设了固定 seed 与确定性标志，4090 上同配置重跑逐位相同（一对，20 epoch），曦云 C500 上不同（五对，120 epoch）。差异随训练变长累积：1 epoch 时为零。
2. 正效应最大的那一代，恰好在噪声最大的那台机器上。 v5n 的 +0.0055 与 +0.0041 都出自曦云；4090 上的四代（v8n、11n、12n、26n）目前只有一对同配置重复可依。
3. 这不推翻符号的一致性，但推翻幅度的可读性。 「某代为正、某代为负」这一层由多 seed 的符号统计支撑；「+0.0055 是这个块带来的」这一层不成立——单次运行的差别就能有 0.0130。

因此本项目对精度的表述只保留到方向一层，且明确标注样本量与置信区间；此前判读线里凡以幅度为据的推断，一律降级为方向。这组负结果来自一个实现缺陷：那六次运行被误标，才有了同配置的重复运行。

第五轮判定（2026-09-10，三条结构臂产出后）

三条臂各三个 seed 跑完，同卡同 seed 配对：

臂	与上游的关系	配对 mAP50	95% CI	胜	mAP50-95
norm（v5n）	上游恒开，本包默认关	+0.0038	[−0.0033, +0.0109]	3/3	+0.0022（3/3）
dense（v5n）	上游恒开，本包默认关	+0.0031	[−0.0006, +0.0068]	3/3	+0.0034（3/3）
stages（v10n，四块）	上游布局，本包默认一块	−0.0071	[−0.0162, +0.0019]	0/3	−0.0048（0/3）

一句话：上游块内部的两个默认都是正的且 3/3，上游的块数布局是负的且 0/3。 我们此前没抄的东西里，好的是块内那两项，坏的是块数那一项。

预测对账

第五条（stages 应高于单块臂，且幅度大于任何平衡项换来的）——推翻，方向相反。 四块非但没抬，反而是全部二十一个配对格里唯一 0/3 且两个指标同向为负的。预测里写着「若它也抬不动指标，那么『嫁接位置/容量』这一条解释就该退场」——按此自陈，该解释退场。参数是多的（3.15M 对 3.03M），不是容量不足。

混淆项已实测：四块把辅助项按块求和，同权重下 esmoe_aux 从 0.020 涨到 0.080，正好四倍。要把「块数」与「四倍平衡压力」拆开，需要在 weight=0.0025 下重跑四块；该臂已排队，结论待它。

第六条（dense 的主导专家 top-1 份额低于稀疏臂）——部分成立，按预登记的量不成立。 逐 seed：−0.277、+0.095、−0.017，均值 −0.066，2/3，且几乎全由 seed 0 一个点撑着。改看前两名专家占掉的用量则是 3/3 更低（1.392/1.403/1.555 对 1.431/1.610/1.646）。预登记的是 top-1 份额，按那个量只能算未确立；「dense 让分派更散」在另一个量上成立。

第七条（norm 对精度的影响在 ±0.003 以内）——推翻，且方向为正。 +0.0038 超出所划的带。更值得记的是它顺带带出的反向观察：norm 臂的主导专家 top-1 份额比稀疏臂高 0.089（3/3），更集中却更准。

由此得到的一条，比三条预测都重要

把「分派有多集中」与「配对涨了多少」放在一起看，58 个既有路由分析又有配对差值的运行上：

\[r = +0.160\]

主导专家的 top-1 份额从 0.49 到 0.92，配对 mAP50 差值从 −0.0113 到 +0.0109，两者几乎不相关，且相关的方向还是正的。norm 更集中却更准、dense 更散也更准，都是这条的实例。

这动摇的是整条追问的前提。 本项目此前四轮都在问「怎么解除路由塌缩」，隐含假设是塌缩在拖累精度。在本口径下这个假设没有证据支持：塌缩与精度在这批数据上不相干。 平衡项该不该存在、该多大，因此不能从「防塌缩」推出来，得由它对指标的影响直接定——而那个影响，目前落在同配置重复运行的噪声里。

这条由 scripts/routing.py --summarise 逐次算出，写在 results/routing.md 开头，不是手抄。

对照臂结果

结果产出后自动填入，数字与 results/summary.md 同源。

第六轮判定（2026-09-11，去掉平衡项与四块降权产出后）

第五轮留下两件事没有定：四块的负效应来自块数还是来自四倍的辅助项；集中程度与精度无关之后，平衡项还起什么作用。第四轮也还差一问：论文的目标把压力抬足以后，能不能解除塌缩。本轮五条臂各三个 seed，同卡同 seed 配对：

臂	回答什么	配对 mAP50	95% CI	胜	mAP50-95
四块，每块权重 0.0025（v10n）	辅助项总量与单块相同时，四块还差不差	−0.0113	[−0.0242, +0.0015]	0/3	−0.0075（0/3，区间 [−0.0132, −0.0018]）
四块（v5n，补第三个 seed）	换一个主干，四块还差不差	−0.0049	[−0.0118, +0.0019]	0/3	−0.0035（0/3）
去掉平衡项（v5n）	平衡项起什么作用	+0.0005	[−0.0080, +0.0090]	2/3	+0.0006（1/3）
去掉平衡项（v10n）	同上	−0.0027	[−0.0170, +0.0116]	1/3	−0.0025（1/3）
论文式 13，权重 0.32（v5n）	论文的目标压力抬足后能否解除塌缩	+0.0021	[−0.0018, +0.0059]	3/3	+0.0009（2/3）

四块差在块数，不在辅助项的量

每块权重降到 0.0025 后，训练末期 esmoe_aux 为 0.020，与单块臂相同；权重 0.01 的四块臂是 0.080。辅助项总量对齐后四块没有回升，同 seed 下反而比权重 0.01 的四块臂更低（−0.0003、−0.0008、−0.0114），mAP50-95 的区间也不再跨零。v5n 补齐第三个 seed 后同样 0/3。两个主干、两档权重，四块布局的 9 个 seed 全部为负。「四倍平衡压力」这一混淆项排除，负效应来自块数本身。

去掉平衡项，专家直接死掉

按 checkpoint 数死专家（进入 top-2 的图不足 1% 的专家）：

平衡项	每块权重	块数	checkpoint	有死专家的
Switch（本包默认）	0.01	1	60	0
Switch	0.01	4	6	0
Switch	0.0025	4	3	1
无	0	1	6	6
GShard 读门控（上游）	0.01	1	3	2
论文式 13	0.32	1	3	3

去掉平衡项的六个 checkpoint 无一例外死掉两个专家，剩下两个包揽全部 548 张图的 top-2（用量之和恰为 2.0），块退化为两个固定专家的加权；v10n 上主导专家的 top-1 份额为 0.964、1.000、1.000。权重 0.01 的 Switch 项在 66 个 checkpoint 上一个死专家都没有，每块降到 0.0025 就出现了。平衡项在本口径下保住的是每个专家都有图可分，不是均匀分派：带着它，分派照样集中（第四、五轮）。

精度上，去掉平衡项的臂与默认臂共用同一组基线，逐 seed 相减即得平衡项的作用：mAP50 上 v5n −0.0083、+0.0005、−0.0072，v10n −0.0016、−0.0062、−0.0002，6 个里 5 个更低；mAP50-95 也是 5/6 更低。但均值只有 −0.0050 与 −0.0027，而 v5n 默认臂 seed 2 自己跑两遍就差 0.0130。方向偏低，幅度在噪声之内，不下精度结论。

论文那一族目标为什么防不住

读门控的两种目标，6 个 checkpoint 里 5 个有死专家。压力不是原因：式 13 与读门控的 GShard 只差仿射（斜率 1/E²），权重 0.32 的式 13 在梯度上恰等于权重 0.02 的读门控 GShard，即第四轮那条臂的两倍；按 results/pressure.md，这在 v5n 各 checkpoint 上是 Switch 0.01 的 1.2–3.0 倍，仍然 3/3 有死专家。

原因在门控的形式。式 8 与式 9 是同一个数，而式 9 只含 top-K 子集里的 logit：

\[\Omega_{\text{train},i}=\frac{e^{L_i}}{\sum_{j\in I_K}e^{L_j}},\qquad i\in I_K\]

所以只读门控的平衡项，对当下没进 top-K 的专家，logit 梯度恒为零，不论这个专家还剩多少概率。一个专家在所有图上都掉出 top-K 以后，这一项再也够不着它。Switch 项读完整的 softmax，对子集外的专家有同量级的梯度，方向是把它拉回 top-K。数值断言见 tests/test_paper_parity.py 的 test_a_gate_reading_balance_cannot_reach_an_expert_outside_the_top_k。

上游自己的配方里也是这样。此前在上游仓库 d5afc4b（2026-07-28）原生训练的 YOLO-Master-EsMoE-N 上，平衡项同样读门控（ES_MOE._compute_load_balancing_loss 取 _soft_top_k 的输出），四个块里前三个各有两个专家利用率恰为 0，最后一个四个都用上；剪掉死专家后 mAP50 从 0.4271 到 0.4269，延迟降 24.5%（yolomoe-ln 的 DISCUSSION_POST.md）。那次训练是 imgsz 1024、100 epoch、单次运行、YOLO-Master 自己的架构，与本项目协议不同，只作机制佐证，不进入任何精度比较。

预测对账

第四条（论文的平衡项会明显降低主导专家的 top-1 份额，降幅大于读门控 GShard）——按字面成立，背后的机制假设不成立。 登记的是权重 0.01 的 master，那一档从未真正跑过（见第四轮前的更正）；按第四轮判定末尾的做法把压力抬足后，top-1 份额 2/3 个 seed 下降，均值 0.697 对默认臂 0.812，降 0.115，而读门控 GShard 反升 0.034。但同一批 checkpoint 3/3 有死专家，前两名用量 3/3 更高（1.704、2.000、1.692 对 1.431、1.610、1.646）。份额降下来，是因为分派从一个专家主导变成两个专家固定包揽，不是变均匀。读门控 GShard 补齐 seed 2 后也死掉两个专家。

第五轮留下的混淆项（四块的负效应是否来自四倍辅助项）——排除。

第五轮「由此得到的一条」修正后半句。 前半句仍成立：集中程度不预测精度，并入本轮后 81 个既有路由分析又有配对差值的运行上 r = +0.044（第五轮 58 个时为 +0.160）。后半句「平衡项该不该存在不能从防塌缩推出来」说过了头。塌缩分两层：主导专家份额高是一层，专家死掉是另一层。前一层与精度无关，平衡项也管不住；后一层 Switch 项管得住，0/66 对去掉它后的 6/6。它对精度的作用仍在噪声之内。

第七轮预登记（2026-09-11，声明于任何同配置对比满协议结果之前）

与 YOLO-Master 在同一配置下对照：同一个模型（上游 yolo-master-n.yaml，主干每个 stage 后一块，共四块），同一份协议（VisDrone 全量、imgsz 800、120 epoch、batch 32、patience=0，其余参数取默认），分别在上游分支（锁定基线 acce839c）与官方 ultralytics 8.4.101 加本包上训练。四臂，每个 seed 的四臂在同一张卡上：

臂	框架	模型	训练方式
A	上游分支	yolo-master-n，4 个 ES_MOE	上游默认
A0	上游分支	同一模型去掉 4 个块	上游默认
B	官方 8.4.101 + esmoe	同一模型，4 个 ESMoE（读门控的 GShard、输出归一化、训练期跑满专家、推理剪枝 0.4）	recipe="upstream"
C	官方 8.4.101	同一模型去掉 4 个块	默认

声明时已知：

• 上游分支的训练器对所有模型有两处与官方不同：每个 epoch 最后一个 batch 强制更新；梯度一出现非有限值，就从上一个健康 checkpoint 恢复、重跑该 epoch，并关闭混合精度直到训练结束。
• B 与 A 逐层参数一致（10 类时 2,814,406）。recipe="upstream" 复刻上游训练器对路由模型的三项处理：辅助项按自身幅值的滑动平均归一并封顶 3.0，路由器参数半学习率且不进 Muon，前 3 个 epoch 冻结专家。逐步数值与上游源码一致（tests/test_recipe.py）。
• 曦云 C500 上 seed 0、1 的 A 与 A0 都在第 1 个 epoch 触发回滚，此后为 FP32；B、C 在冒烟中始终是混合精度。A 在 FP32 下单跑占显存 37 GB，因此每卡按「A 单跑，A0 与 C 同跑，B 单跑」排。

未知： 四臂全部 120 epoch 的指标；seed 2 所在的卡尚待平台修复。

判读线。 配对差都在同一张卡内求，三个 seed。同配置重复运行的离散度为均值 0.0045、最大 0.0130。

• 等效：A − B 的配对 mAP50 均值绝对值 ≤ 0.0045，且 95% 置信区间跨零。
• 不等效：A − B 的均值绝对值 > 0.0130，或三个 seed 同号且区间不跨零。
• 无法判定：其余情形。
• (A − A0) − (B − C) 按同样三档判定，回答块在两个框架里的作用是否一致。

预测：

1. 两个实现等效：A − B 落在「等效」档。若落在「不等效」档，差异来自本包的块或训练方式的复刻，逐项排查。
2. 块在两个框架里作用一致：(A − A0) − (B − C) 落在「等效」档，且 A − A0 与 B − C 的均值同号。
3. 四块布局在这个预算下不带来提升：B − C 与 A − A0 按本页开头的判读线都落在「无效」。依据是第五、六轮四块布局在 v5n、v10n 上 9 个 seed 全负。若 A − A0 达到「有效」而 B − C 没有，四块的负效应就与训练方式有关，第五、六轮的结论要限定在 recipe="esmoe" 下。
4. 读门控的平衡项在这里仍留下死专家：B 的 checkpoint 中至少三分之二有块出现死专家（进入 top-2 的图不足 1%）。依据是第六轮读门控的目标 6 个 checkpoint 里 5 个有死专家；上游的归一化把辅助项放大，但不改变它对 top-K 外专家梯度为零。若 B 一个死专家都没有，说明训练期跑满专家或专家预热补上了这一缺口，第六轮的机制解释要补充。

预测错了照实记录。

补充：训练过程逐步核对（2026-09-11，仍在任何满协议结果之前）

在 CPU 上以 FP32，让上游分支的训练器与本包各训 5 个 epoch：VisDrone 取 192 张图，每 epoch 12 个 iteration，MuSGD。两边起始权重相同，读到的 batch 逐个核对数据指纹也相同。脚本为 scripts/recipe_parity.py，结果在 results/recipe_parity.md。

• 块本身。 同权重、同输入下，ES_MOE 与 ESMoE 训练期输出差 1.9e-6（输出量级 7.07）；对输入、路由器、专家的梯度差分别为 1e-11、2e-9、6e-10。
• 不含块时。 A0 与 C 的损失在 epoch 0、1 逐位相同，epoch 1 末参数开始分开。这与上游每个 epoch 末个 batch 强制更新相符：预热期间累积步数在变，这一步与官方不再对齐。
• 含块时。 A 与 B 每一步各参数组学习率相同，专家冻结一致（前 3 个 epoch 0/64，之后 64/64），但 epoch 0 的损失已相差 1.8%。
• 对照。 把同一实现第一个路由层的权重放大 1e-6 再训：A 对自身差 2.3%，B 对自身差 1.5%，与 A 对 B 同一量级。第 0 个 iteration 的损失在两组数值之间来回跳：路由分数近乎打平时，舍入级的差异就会翻转 top-2 的选择。

结论：在 CPU 轨迹能分辨的精度内，B 与 A 的差别不超出舍入噪声。满协议上 A − B 的判读线不变。

补充：B 臂验证路径的缺陷与重测口径（2026-09-12，seed 2 尚未跑完）

B 臂三张卡的训练期验证都塌到 mAP50 0.043 左右，训练损失却与 A、C 持平。原因在本包的块：推理剪枝把 dynamic_threshold 与 top-k 重归一之前的原始概率比较，上游比的是重归一之后的份额。四选二时四个概率和为 1，第二名极少到 0.4，于是验证时几乎每张图都被剪成单专家，而训练是两专家混合。同一份权重换回上游次序即得 mAP50 0.374，不剪枝 0.375。已修于 d6f4dcc，默认 dynamic_threshold=0.0 不经过这条路径，本页前六轮的记录与论文发布模型复核都不受影响。

因此本轮四臂的指标改由 scripts/measure.py 统一重测：按各 run 自己的配置重建模型、装回 last.pt 里的 EMA 权重，同一套验证参数各测一遍。取 last.pt 而非 best.pt，因为 B 的 best 是按坏掉的指标挑的；四臂都设 patience=0，都跑满 120 epoch，末轮权重是可比的。记录本身不改写，训练器原来测到的值保留为 metrics_by_trainer。

声明时已知：seed 0（c 卡）A 0.36370、A0 0.35419、B 0.37390、C 0.35972；seed 1（d 卡）A 0.37034、A0 0.35339、B 0.37240、C 0.35890。seed 2 的 B 臂仍在跑。同一份权重重复测量差约 0.0002。

判读线不变，仍按上面预登记的三档与四条预测对账。预测 4（死专家）读的是 checkpoint 的路由统计，与验证路径无关。

第七轮判定（2026-09-12，三个 seed 齐全）

指标为 scripts/measure.py 统一重测的值，配对差在卡内求（seed 0 在 c、1 在 d、2 在 e，同型号同栈）。

差（mAP50）	均值	95% 置信区间	为正	判定
A − B	−0.0069	[−0.0175, +0.0037]	0/3	无法判定
A − A0	+0.0122	[+0.0019, +0.0225]	3/3	有效
B − C	+0.0126	[+0.0070, +0.0181]	3/3	有效
(A − A0) − (B − C)	−0.0004	[−0.0105, +0.0098]	2/3	等效

• 预测 1（两个实现等效）未获证实，也未被推翻。 A − B 的均值绝对值 0.0069 落在两条线之间（等效要 ≤0.0045，不等效要 >0.0130 或同号且区间不跨零），三个 seed 虽同号但区间跨零，按预登记只能记「无法判定」。并且这一项含混杂：上游训练器在第 1 个 epoch 就关掉混合精度，A 与 A0 整程 FP32，B 与 C 走混合精度，所以 A − B 同时含实现差与精度差。两个框架各自内部作差的 A − A0 与 B − C 不含这一项。
• 预测 2（块在两个框架里作用一致）成立。 差之差落在等效档，且 A − A0 与 B − C 同号为正。
• 预测 3（四块布局在这个预算下不带来提升）不成立。 两个框架里四块都判「有效」，区间都不跨零。第五、六轮四块为负，是在 recipe="esmoe"、单块权重 0.01、无输出归一化、训练期不跑满专家的配置下得到的；换成上游那一整套（读门控的 GShard、输出归一化、训练期跑满专家、辅助项按自身幅值归一并封顶、前三轮冻专家、路由器半学习率）之后，四块在两个框架里都为正。原结论应限定为「在 recipe="esmoe" 下」，这正是预登记里写明的那条替代解释。
• 预测 4（读门控的目标仍留下死专家）成立。 三个 B checkpoint 每个都有块出现死专家：四个块里各有三个（块 3 三次都没有），路由概率的熵是最大值的 98.5%，而 top-2 组合恒定——概率均匀掩盖了分派塌缩。训练期跑满专家与前三轮冻专家都没有补上这一缺口。

第八轮预登记（2026-09-13，B、C 臂结果之前）

第七轮的 A − B 含精度混杂：上游训练器第 1 轮就关掉混合精度，A、A0 整程 FP32，B、C 是混合精度。本轮四臂全部 --amp 0，其余与第七轮相同。

设计：同一台机器（f）的三张 C500 各跑一个 seed（0/1/2），每个 seed 的四臂同卡、串行。与第七轮不同机，所以两轮之间只比方向，不做配对。指标沿用第七轮补充的口径，由 scripts/measure.py 从 last.pt 统一重测。

声明时已知： - A 三个 seed、A0 的 seed 0 与 seed 1 已跑完。训练器测得的 mAP50：A 为 0.3682 / 0.3674 / 0.3686，A0 为 0.3568 / 0.3580。四条都是 amp_at_end=False、batch_at_end=32、epochs_replayed=0。 - seed 2 的 A0 在第 43 轮被设备故障打断（Xnack Error/ATU Fault），正在重跑。 - B、C 尚无结果，A − B 与差之差都还不存在。

判读线：与第七轮相同的三档。噪声底 0.0045 / 0.0130 是在混合精度的运行上量的；FP32 没有重复运行，本轮沿用这两个数，这是已知局限。

预测： 1. A − B 落在等效档。去掉精度混杂后，两个实现在满协议上等效。若 |均值| > 0.0130，或三个 seed 同号且区间不跨零，就说明实现差是真的，逐项排查块与配方的复刻。 2. (A − A0) − (B − C) 仍落在等效档，且 A − A0 与 B − C 同号为正，复现第七轮。 3. A − A0 与 B − C 都仍判「有效」：精度不改变四块在上游配方下的作用。若任一变成「无效」，第七轮的「有效」就要限定在混合精度下。 4. B 的三个 checkpoint 仍都有死专家的块。

补充：FP32 下的同卡噪声底（2026-09-13，重复运行开跑之前）

第八轮沿用的噪声底是在混合精度上量的。本补充在卡 f 上补五对 FP32 下的同卡重复运行：每对是第八轮的一条原运行，加上同一张卡、同一个 seed、同一个配置再跑一遍（标签 -p800fr）。

卡	臂	seed	类别
gpu0	B（官方 + 本包四块）	0	带块
gpu0	C（官方去块）	0	基线
gpu1	A（上游分支 + 四块）	1	带块
gpu1	A0（上游分支去块）	1	基线
gpu2	C（官方去块）	2	基线

口径：两条都由 scripts/measure.py 从 last.pt 重测，取 mAP50 之差的绝对值，报五对的均值与最大值，带块与基线再分开各报一次。先开跑的那条是第八轮的实验，后跑的只进噪声底，不进第八轮的对照表。

用法：第八轮的判定按两套噪声底各给一遍，一套是混合精度的 0.0045 / 0.0130，一套是本次 FP32 量出的均值 / 最大值。两套给出的档位不同时，两个都报，不择一。

声明时已知：五条原运行里，A（seed 1）与 A0（seed 1）已跑完，训练器测得 mAP50 为 0.3674、0.3580；B（seed 0）在跑，C（seed 0）未开跑，C（seed 2）在跑。五条重复运行都还没开始。

预测： 1. 带块两对的差都大于基线三对的均值。依据是第七轮补充的逐步核对：路由分数近乎打平时，舍入级差异会翻转 top-2。若带块的差不大于基线，这条依据在满协议上不成立。 2. FP32 的均值差在 0.0090 以内，即与混合精度的 0.0045 同一量级。若超过，说明精度改变了重复运行的离散度，此前各轮共用同一把尺子的做法要重新审视。

补充：seed 2 的 A0 从检查点续跑（2026-09-14，续跑之前）

seed 2 的 A0 在 gpu2 上三次被同一个设备故障打断（Xnack Error/ATU Fault，三次都出在卷积算子 MckFlexgemm256x64Tf32Gl__fwd_cross_tfround_a_nhwc_b_nhwc_c_nhwc），分别停在第 43、115、73 轮。三次合计训练约 10.6 小时、故障三次，按这个频率，从头跑满一条 A0（5.5 小时）难以完成。同卡的 A、B、C 与另两张卡上的 A0 都没有出现过这个故障。三条失败记录留在 results/，运行目录留在 runs/_failed/。

做法：不再从头重跑，改为从走得最远的一次（已完成 114 轮）的 last.pt，在同一张卡上续跑余下 6 轮（scripts/train.py --resume）。检查点带优化器、EMA 与步数；最后 10 轮本就关闭 mosaic，续跑时训练器照此处理。检查点里没有随机数状态，所以这 6 轮的数据顺序与不中断时不同。从头重跑换掉的是整条 120 轮的轨迹，续跑只换最后 6 轮。

记录：新增 resumed 字段，写检查点、哈希、已完成轮数与这些轮的用时；gpu_hours 是两段之和。续跑若再被打断，从最新的 last.pt 接着续，不改用从头重跑。

声明时已知：完成 114 轮时训练器测得 mAP50 0.3574。第八轮其余 11 条已跑完，训练器测得的 mAP50：A 0.3682 / 0.3674 / 0.3686，A0 0.3568 / 0.3580（seed 0、1），B 0.3627 / 0.3613 / 0.3699，C 0.3600 / 0.3508 / 0.3564。这些都还没有经 scripts/measure.py 重测。

判读线、两套噪声底的用法与预测都不变。

第八轮判定（2026-09-14，三个 seed 齐全；FP32 噪声底待重复运行跑完）

指标为 scripts/measure.py 统一重测的值，四臂全程 FP32，配对差在卡内求（卡 f 的三张 C500，一张卡一个 seed）。seed 2 的 A0 由完成 114 轮的检查点续跑完成，见上一节补充。

差（mAP50）	均值	95% 置信区间	为正	判定（混合精度噪声底）
A − B	+0.0046	[−0.0071, +0.0164]	2/3	无法判定
A − A0	+0.0104	[+0.0015, +0.0193]	3/3	有效
B − C	+0.0095	[−0.0047, +0.0237]	3/3	无法判定
(A − A0) − (B − C)	+0.0009	[−0.0221, +0.0239]	2/3	等效

• 预测 1（A − B 等效）未获证实。 均值 +0.00462，比等效线 0.0045 高 0.0001；三个 seed 不同号、区间跨零，按预登记记「无法判定」。第七轮在混合精度下是 −0.0069、三个 seed 同为负，这一轮 FP32 下符号翻转，第七轮的负值没有重现。两轮不同机，只比方向。
• 预测 2（差之差等效，且 A − A0 与 B − C 同号为正）成立。
• 预测 3（A − A0 与 B − C 都仍判「有效」）成立。 这条预测登记的是本页开头的判读线（有效 = 配对 mAP50 均值 > 0、≥ 2/3 seed 为正、配对 mAP50-95 均值 ≥ 0）：A − A0 为 +0.0104、3/3、mAP50-95 +0.0076，B − C 为 +0.0095、3/3、mAP50-95 +0.0066，两者都判「有效」。上表判定列用的是噪声底三档，按那一套 B − C 区间跨零，记「无法判定」；两套回答的问题不同，各自照报。本条初稿按噪声底三档写成「未获证实」，套错了预登记的判读线，2026-09-14 补判时改正。
• 预测 4（B 的三个 checkpoint 仍都有死专家的块）成立。 格局与第七轮相同：每个 checkpoint 四个块里有三个出现死专家，块 3 三次都没有；出现死专家的九个块里八个 top-2 组合恒定，十二个块的路由概率平均熵为最大值的 98.8%。

另记两项： - 训练成本。B 在 FP32 下每条 10.6 小时，与 A 相同；第七轮 A 与 B 的耗时差（10.8 对 4.7 小时）来自精度，不来自实现。 - 面积分档（results/buckets.md）。两个框架里加块后都是大目标涨得最多，但都只有 2/3 为正。上游一侧小目标增益仍最小（+0.0086，中目标 +0.0106）；本包一侧小目标与中目标相当（+0.0069 与 +0.0063）。第七轮两侧都是小目标最小（+0.0049、+0.0080）。

补判：FP32 噪声底（2026-09-14，五对重复运行重测后）

五对重复运行都跑满 120 个 epoch、全程 FP32，两条都由 scripts/measure.py 从 last.pt 重测：

对	类别	原运行	重复运行	差的绝对值
B，seed 0	带块	0.3601	0.3636	0.0035
A，seed 1	带块	0.3651	0.3634	0.0018
C，seed 0	基线	0.3559	0.3560	0.0001
A0，seed 1	基线	0.3552	0.3519	0.0033
C，seed 2	基线	0.3521	0.3625	0.0103

五对的均值 0.0038、最大 0.0103。results/summary.md 按硬件栈分组列出：官方栈三对 0.0046 / 0.0103，分支栈两对 0.0025 / 0.0033；判定按预登记用五对合并的值。C 的 seed 2 那条重复运行，第 28 个 epoch 的验证损失记为 nan，训练损失与该 epoch 的 mAP50 正常，此后逐轮回升；重测取的是 last.pt，不受影响。

• 预测 1（带块两对的差都大于基线三对的均值）不成立。 带块两对是 0.0035、0.0018，基线三对的均值是 0.0046，最大的差出在基线。按预登记，「路由分数近乎打平时舍入级差异会翻转 top-2」这条依据在满协议上不成立。
• 预测 2（FP32 的均值差在 0.0090 以内）成立。 0.0038，与混合精度的 0.0045 同一量级，此前各轮共用同一把尺子的做法不需要重新审视。

按两套噪声底再判第八轮：

差（mAP50）	均值	混合精度底 0.0045 / 0.0130	FP32 底 0.0038 / 0.0103	本页开头的判读线
A − B	+0.0046	无法判定	无法判定	—
A − A0	+0.0104	有效	有效	有效
B − C	+0.0095	无法判定	无法判定	有效
(A − A0) − (B − C)	+0.0009	等效	等效	—

两套噪声底给出的档位相同。A − B 在两套底下都记不了「等效」：均值 +0.0046 高于两条低线（0.0045、0.0038），也没到不等效的条件。