# CAVI-ReID 项目统一记忆

更新时间：2026-08-02

本文档是本项目的统一事实来源。后续实现、实验和汇报以本文档为准；与本文档冲突的旧总结、临时日志或口头描述需要重新核验。

## 1. 项目与方法身份

- `CAVI` 是我们的主方法。
- `ViSA` 是另一篇论文的方法，是 Baseline，不是 CAVI 的旧名称。
- `VDT` 是主要 Baseline，也是 CAVI 当前使用的 pretrained initialization 来源。
- 主数据集是 `CARGO`。
- 评测 protocol 统一为 `CARGO / CARGO_GG / CARGO_AA / CARGO_AG`。

## 2. 当前 CAVI 的唯一正式定义

当前实现名称：`CAVIViewPromptMoE`。

必须满足：

- 只使用 `CLS token` 作为 identity feature。
- Backbone forward 中禁用 legacy `view_token`；输入序列只有 `CLS + patch tokens`。
- 不使用 `meta token`。
- 不使用 `global_feat - view_feat` subtraction。
- view information 仅作为 `Embedding / Prompt` 注入。
- Canonical token sequence 为 `[CLS + Pos/SIE, View Prompt, Patch + Pos/SIE]`。
- `View Prompt` 在 Position/SIE 相加完成后插入，因此不占 spatial position index，也不叠加 Position Embedding 或 SIE。
- 同一个 `View Prompt` 先参与 Transformer attention，再用于 MoE routing / compensation。
- 使用两个 Expert：`Aerial Expert` 与 `Ground Expert`。
- Router 包含 `No-op` 分支。
- `cross-view positive pairs` 需要 compensation。
- `same-view positive pairs` 应保持低 compensation / low drift。

数据中的 canonical view label：

```text
Aerial -> 0 -> Aerial Expert
Ground -> 1 -> Ground Expert
```

任何其他 view label 必须报错，不能静默映射到 Ground。

## 3. 当前代码入口

- Meta architecture：`fastreid/modeling/meta_arch/cavi_view_prompt_moe.py`
- Config：`configs/CARGO/cavi_view_prompt_moe.yml`
- Trainer：`tools/train_cavi_noeval.py`
- Launcher：`tools/run_cavi_view_prompt_moe_cargo.sh`
- 正式汇报：`reports/CAVI_CARGO_FINAL_PRESENTATION_SUMMARY.md`

## 4. 已完成模块

| 模块 | 状态 | 结论 |
|---|---|---|
| `CARGO Dataset Loader` | 完成 | 支持四个统一 protocol |
| `VDT` | 已复现 | 强 Baseline |
| `ViSA` | 已复现 | 当前最强 Baseline |
| `Trace Diagnostic` | 完成 | 被删除 trace 中包含 identity information |
| `CRFA / CREA` | 已实现 | Fixed restoration 弱，Oracle 有 headroom |
| `CAVIViewPromptMoE` | 已实现 | 结构与 eval 链路已跑通 |
| `Faiss / rank_cy / tensorboard` | 已修复 | 正式 FastReID eval 可用 |

## 5. 可信阶段结果

### 5.1 CAVIViewPromptMoE，30 epochs 问题训练

该实验完成 12030 iterations，无 NaN，但 scheduler 未 step，loss 基本横盘。因此只作为阶段性结构验证，不作为 CAVI 最终性能。

| Dataset | Rank-1 | mAP | mINP |
|---|---:|---:|---:|
| `CARGO` | 52.24 | 45.33 | 31.44 |
| `CARGO_GG` | 71.43 | 62.01 | 47.46 |
| `CARGO_AA` | 75.00 | 56.04 | 33.36 |
| `CARGO_AG` | 35.00 | 32.78 | 21.95 |

### 5.2 Baseline

| Method | Dataset | Rank-1 | mAP | mINP |
|---|---|---:|---:|---:|
| `VDT` | `CARGO` | 62.82 | 55.80 | 43.13 |
| `VDT` | `CARGO_GG` | 80.36 | 73.78 | 63.70 |
| `VDT` | `CARGO_AA` | 77.50 | 63.79 | 46.84 |
| `VDT` | `CARGO_AG` | 57.45 | 55.67 | 46.39 |
| `ViSA` | `CARGO` | 69.23 | 63.77 | 52.72 |
| `ViSA` | `CARGO_GG` | 86.61 | 81.82 | 74.79 |
| `ViSA` | `CARGO_AA` | 80.00 | 67.24 | 51.00 |
| `ViSA` | `CARGO_AG` | 63.83 | 65.06 | 58.67 |

## 6. Trace Diagnostic 的可信结论

| Protocol | Base mAP | Best Fixed mAP | Oracle mAP |
|---|---:|---:|---:|
| `CARGO` | 55.94 | 56.10 | 59.91 |
| `CARGO_AG` | 43.15 | 43.46 | 47.79 |
| `CARGO_AA` | 64.64 | 65.00 | 67.42 |
| `CARGO_GG` | 73.38 | 73.76 | 76.33 |

统一解释：Fixed restoration 增益很小，Oracle restoration 有明显空间，因此需要 sample-adaptive compensation。该结论支持 CAVI 动机，但不等同于当前 MoE 实现有效。

## 7. 禁止使用的结果与表述

- 不使用出现 `mAP=100.0` 或多个 protocol mAP 异常完全相同的旧 JSON 作为论文结果。
- 不把早期 `CRFA / CREA fixed-init` 与当前 FastReID eval 做严格横向数值比较，因为 protocol、初始化或评测入口可能不同。
- 不宣称当前 `CAVIViewPromptMoE` 超过 Baseline。
- 不把 eval 中 `(2500, 768) -> (0, 768)` 的 classifier skip warning 解释成 retrieval 失败。Feature-based eval 不需要 classifier，该 warning 是预期行为。
- 不把 loss 无 NaN 描述为 loss 已收敛。

## 8. 2026-08-01 已确认并修复的问题

- Trainer 现在会执行 `Warmup` 和 epoch-level `CosineAnnealingLR`。
- Scheduler、optimizer 与 AMP scaler 会写入 checkpoint，可用于正确 resume。
- Checkpoint 记录精确 iteration；partial sanity run 也可从实际停止位置恢复。
- 自定义 trainer 使用标准 parameter groups，并在 AMP unscale 后显式执行 gradient clipping，避免 `ContiguousParams / GradScaler / scheduler` 的包装冲突。
- `--max-iter` 现在是实际训练上界，不再导致外层循环重复。
- 单 iteration 不再为 base feature 第二次调用同一个 `ReID Head / BNNeck`。
- VDT 仅提供 backbone initialization；其基于 subtraction 特征训练的 classifier / BNNeck 会重新初始化。
- CAVI 配置显式设置 `USE_VIEW_TOKEN=False`，legacy view token 不参与 self-attention。
- Same-view loss 只统计存在 same-view positive 的样本。
- Update regularization 约束实际施加的 `beta * update`，而不是未经过 gate 的 raw update。
- View label 改为严格的 `Aerial / Ground` 校验。
- Metrics 记录 No-op probability、Aerial/Ground Expert probability、routing accuracy、beta 和实际 compensation ratio。
- Positionless Prompt 已加入 backbone；legacy `pos_embed` 参数 shape 保持不变以兼容 VDT checkpoint。
- 旧 CAVI checkpoint 虽可结构加载，但 forward 语义已改变，不得沿用旧指标，必须重新训练。
- Clean training 默认与 VDT 对齐为 120 epochs、LR 0.008、warmup 2000 iterations。
- 新输出目录固定为 `logs/CARGO/CAVI_VIEW_PROMPT_MOE_CLEAN`，不得覆盖旧结果。

## 9. Clean Run 标准流程

### 9.1 Positionless Prompt smoke test（当前语义）

远端输出：`logs/CARGO/CAVI_POSITIONLESS_PROMPT_CODECHECK`

- Token sequence 为 `[CLS + Pos/SIE, Prompt, Patch + Pos/SIE]`。
- 7 个 position/checkpoint/AMP 单元测试全部通过。
- 真实 CARGO 2-step 完成，`loss_cls` 为 `7.8443 -> 7.8349`。
- AMP 首步自动降 scale，第 2 步 optimizer update 成功。
- Prompt 不叠加 Position Embedding/SIE，AMP dtype conversion 保持可微。
- 这是后续 200-step 和完整训练应使用的当前 forward 语义。

### 9.2 Pre-backbone Prompt 之前的 smoke test（历史语义）

远端输出：`logs/CARGO/CAVI_VIEW_PROMPT_MOE_CODECHECK_V4`

- 使用真实 CARGO data、VDT backbone initialization、AMP 和修复后的 trainer。
- 完成 20 iterations；第 1 步 AMP 自动降 scale，其余 19 步 optimizer update 成功。
- `loss_cls` 处于 7.6-8.1；加载错误 VDT classifier 时为 22-24。
- Warmup LR 从 `8.0e-5` 增长到 `1.5128e-4`。
- `model_final.pth` 正常保存，checkpoint 精确记录 `iteration=20`。
- 数据、模型、loss、AMP、gradient clipping、scheduler、checkpoint 和 resume 链路均已连通，但当时 Prompt 尚未进入 Transformer，不得作为当前实现的最终验证结果。

### 9.3 正式训练前检查

训练前必须确认：

1. `baseline_logs/VDT/model_best.pth` 存在。
2. checkpoint 加载日志中 backbone 成功加载；VDT 的 identity head 随后必须 reset，`view_heads` unexpected 可以接受。
3. CARGO train classes 自动设置为 2500；如不是 2500，停止训练并检查 dataset split。
4. 前 200 iterations 中 LR 按 warmup 上升，`loss_cls` 有下降趋势。
5. `metrics.jsonl` 中 `optimizer_step` 应很快变为 1；若 AMP 初始 overflow，`amp_scale` 应自动下降后恢复更新。
6. 先跑短程 sanity run，再跑 120 epochs。

标准命令：

```bash
bash tools/run_cavi_view_prompt_moe_cargo.sh
```

短程检查：

```bash
python tools/train_cavi_noeval.py \
  --config-file configs/CARGO/cavi_view_prompt_moe.yml \
  --max-iter 200 \
  --output-dir logs/CARGO/CAVI_VIEW_PROMPT_MOE_SANITY
```

## 10. 后续实验优先级

1. Clean 200-iteration sanity run，确认 `loss_cls` 开始低于随机分类基准 `ln(2500)≈7.82`。
2. 120-epoch clean run，统一评估四个 protocol。
3. Ablation：`CLS-only`、`+View Prompt`、`+MoE`、`+Cross-view Loss`、`+Same-view Loss`。
4. 输出 Expert usage、Router entropy、beta 和 compensation norm。
5. 优先优化 `CARGO_AG`。
6. 若 output-level compensation 无效，再尝试 ViT middle-layer compensation。

## 11. 当前判断

`CAVI` 的动机仍有诊断证据支持，但当前 30-epoch `CAVIViewPromptMoE` 结果低于 `VDT / ViSA`，只能证明实现链路可运行。下一次有效结论必须来自修复后的 clean training 和统一 eval。

## 12. 2026-08-02 正式训练

### Positionless CAVI 120 epochs

- 输出：`logs/CARGO/CAVI_POSITIONLESS_PROMPT_120E`
- GPU：physical GPU 1。
- Batch size：32（服务器其他任务占用显存，无法安全使用 128）。
- Max epochs / iterations：`120 / 192840`。
- 当前语义：Prompt 参与 Transformer，但不使用 Position Embedding/SIE。
- 该实验结束后必须重新评估四个 CARGO protocol，旧 checkpoint 指标不可替代。

### HiHR paper-based reimplementation

- 独立代码：`baselines/hihr/`。
- Config：`configs/CARGO/hihr_reimplementation.yml`。
- 输出：`logs/CARGO/HIHR_REIMPLEMENTATION_60E_B16`。
- GPU：physical GPU 4。
- Batch size：16；每批 4 identities x 4 images，Cross-view/Intra-view Triplet 均有有效样本。
- Max epochs / iterations：`60 / 192900`。
- Backbone：`openai/clip-vit-base-patch16`，通过 Hugging Face mirror 下载后离线加载。
- 已实现：layers `{5,8,12}` MFE、view-agnostic/view-aware Prompt、TMF、Lorentz exp/log map、angular/radial entailment-cone approximation、parent/child CE 和 Triplet、四 protocol eval。
- 官方仓库仍不可访问，因此结果必须标记为 `paper-based reimplementation`，不能标记为 official HiHR reproduction。

## 13. 2026-08-03 正式训练与评估结果

### 13.1 Positionless CAVI 120 epochs

- 训练已完成：`192840 / 192840 iterations`，总耗时约 3 小时 8 分钟。
- 最终 checkpoint：`logs/CARGO/CAVI_POSITIONLESS_PROMPT_120E/model_final.pth`。
- 训练无 NaN、OOM 或 traceback。
- 最终 `total_loss=0.06183`，其中 `loss_cls=0.05487`、`loss_triplet=0.00097`、`loss_cross_view_comp=0.00581`，确认有明显收敛。
- Router 诊断：`router_view_acc=1.0`，`beta_mean=0.9394`，`noop_prob=0.0010`，但实际 `compensation_ratio=0.00276`。这表明 Router 几乎完全被 view supervision 控制，No-op 分支基本未被使用，实际补偿幅度很小，后续需要做 Router/No-op ablation。

| Dataset | Rank-1 | mAP | mINP |
|---|---:|---:|---:|
| `CARGO` | **66.03** | **57.81** | **44.19** |
| `CARGO_GG` | **86.61** | **73.30** | **58.29** |
| `CARGO_AA` | **75.00** | **65.25** | **50.94** |
| `CARGO_AG` | **50.63** | **46.74** | **34.78** |

与上一个汇报版本比较：

| Dataset | Rank-1 变化 | mAP 变化 | mINP 变化 |
|---|---:|---:|---:|
| `CARGO` | 52.24 -> 66.03 (**+13.79**) | 45.33 -> 57.81 (**+12.48**) | 31.44 -> 44.19 (**+12.75**) |
| `CARGO_GG` | 71.43 -> 86.61 (**+15.18**) | 62.01 -> 73.30 (**+11.29**) | 47.46 -> 58.29 (**+10.83**) |
| `CARGO_AA` | 75.00 -> 75.00 (**+0.00**) | 56.04 -> 65.25 (**+9.21**) | 33.36 -> 50.94 (**+17.58**) |
| `CARGO_AG` | 35.00 -> 50.63 (**+15.63**) | 32.78 -> 46.74 (**+13.96**) | 21.95 -> 34.78 (**+12.83**) |

结论：Positionless Prompt 版本是当前有效的 CAVI 主结果，四个 protocol 均已用同一 `model_final.pth` 重新评估。评估时 Cython rank extension 与 NumPy 2.x 不兼容，程序自动回退到 Python evaluator；评估数值有效，只是速度较慢。

### 13.2 HiHR paper-based reimplementation 60 epochs

- 训练和四 protocol 评估均已完成，checkpoint 位于 `logs/CARGO/HIHR_REIMPLEMENTATION_60E_B16/model_final.pth`。
- 最终 `total_loss=16.0281`，`parent_cls=7.6951`，`child_cls=7.6902`，两个 CE 仍接近 2500 类随机分类基准 `ln(2500)=7.824`。
- Curvature 从 1.0 降到 0.04398，TMF layer entropy 约为 `ln(3)`，表明 layer weighting 几乎保持均匀，双曲率特征出现表示坍塌。

| Dataset | Rank-1 | mAP | mINP |
|---|---:|---:|---:|
| `CARGO` | 0.00 | 0.0331 | 0.0083 |
| `CARGO_GG` | 0.00 | 0.0591 | 0.0132 |
| `CARGO_AA` | 0.00 | 0.0511 | 0.0191 |
| `CARGO_AG` | 0.00 | 0.0203 | 0.0084 |

结论：当前 HiHR 只能说明从论文描述重写的完整工程链路可运行，**不是成功复现，不得作为有效 Baseline 数值汇报**。下一轮必须先用纯 CLIP/ReID CE+Triplet 建立可收敛的 Euclidean control，再逐项加入 TMF、Hyperbolic mapping 和 hierarchy loss，以定位首个导致坍塌的模块。

## 14. 2026-08-03 HiHR Collapse 根因排查与修复

### 14.1 实测证据

- 旧 60-epoch checkpoint 的任意测试样本特征 cosine similarity 为 `0.99996+`，确认是 Representation Collapse，不是单纯评估脚本错误。
- 旧 parent/child classifier weight 的平均 pairwise cosine 约为 `0.92`，可训练 prototype 的 pairwise cosine 为 `0.99988/0.99999`，类别中心也完全坍塌。
- 原始 CLIP final-layer feature 在同一批 CARGO 图像上的平均 cosine 仅为 `0.8024`，说明 Backbone 本身保留了显著的样本差异，是后续 Fusion/Loss 将特征抹平。
- 修复后 `TMF + ReID + BNNeck`的300-step control 结束时 Parent/Child off-diagonal cosine 为 `0.9074/0.9528`，没有坍塌。

### 14.2 已确认的实现错误

1. TMF 没有按论文实现 Q/K/V linear projection，且错误地对 Patch token 取 mean；论文要求对 `[t_k; X_k]` 进行 Transformer fusion 并取第一个 token。
2. HHL 错误使用全局可训练 parent/child prototype 和直接 Hyperbolic distance minimization。论文要求 batch identity mean parent prototype 与四项 Entailment Cone。
3. 四项几何约束实现不对：旧版只有一项对应论文，其余项目替换成了特征距离或 visual parent-child order。
4. `s1/s2` 被实现为固定绝对半径；论文要求 `g_p=s1*normalize(s_p)`、`g_c=s1*s2*normalize(s_c)`，且两个 scale 可学习。
5. 推理时 log map 后未除回 `s1` 与 `s1*s2`，导致 child feature 被错误加权。
6. `lambda_g=1.0/0.25` 被错误用在 HHL distance 上，没有用于 parent/child CE。
7. Text feature 被提前 L2 normalize，导致 TMF attention logits 太小，三层权重长期均匀。
8. Triplet cosine distance 在 AMP/FP16 下计算，小距离被严重量化，坍塌后梯度几乎失效。
9. 缺少 ReID 标准 `BNNeck`。实验表明这是基础 `TMF + ReID` 仍会坍塌的直接原因：加入 BNNeck 后特征恢复分离。
10. Optimizer 对 Curvature、`S1/S2`、Prompt 和 Norm/Bias 错误施加 Weight Decay；现已拆分 no-decay parameter groups。
11. Eval-only 未处理 NumPy scalar JSON serialization，评估完成后可能在写结果时报错，现已修复。

### 14.3 修复后的最小评估

输出：`logs/CARGO/HIHR_PAPERFIX_TMF_BN_300`，仅 300 iterations，`lambda_entail=0`。

| Dataset | Rank-1 | mAP | mINP |
|---|---:|---:|---:|
| `CARGO` | 7.37 | 7.02 | 2.12 |
| `CARGO_GG` | 14.29 | 12.98 | 4.35 |
| `CARGO_AA` | 10.00 | 7.90 | 1.21 |
| `CARGO_AG` | 2.50 | 3.63 | 1.30 |

该结果不是最终 Baseline，只用于证明数据、训练和 evaluator 已恢复，Rank-1 不再全部为 0。

### 14.4 当前 HHL 风险

- 修正公式但从第 1 步直接启用 `lambda_entail=5` 时，Parent feature 仍会被 generic text prompt 拉向共同方向。
- 新增 `--entail-delay-iters` 和 `--entail-warmup-iters`。600-step staged test 结束时 Parent/Child cosine 为 `0.9894/0.9865`，Parent CE 降到 `7.1794`，比立即启用 HHL 稳定，但 Entailment 仍过强。
- 必须先完成 60-epoch `TMF + ReID` control，确认达到正常 Baseline；然后从该 checkpoint 逐项加入 prototype-child、prompt hierarchy 和 visual-prompt alignment，不得直接将当前 HHL staged 短测当作成功复现。

### 14.5 修复后的正式 Control Run

- 状态：已于 2026-08-03 启动，运行中。
- 输出：`logs/CARGO/HIHR_PAPERFIX_TMF_BASELINE_60E_B64`。
- 设置：60 epochs，batch size 64，physical GPU 0，`lambda_entail=0`，只验证修复后的 `CLIP MFE + TMF + BNNeck + CE/Triplet`。
- 总 iterations：`48180`；预计训练约 1-1.5 小时，结束后自动评估四个 CARGO protocol。
- iteration 300：`total_loss=9.7713`，`parent_cls=7.3136`，`child_cls(weighted)=1.8223`，Parent/Child cosine 已降到 `0.8261/0.8462`，表明正式长程训练正在学习判别特征，暂无 Collapse。
- iteration 600：`total_loss=7.8209`，`parent_cls=5.8595`，`child_cls(weighted)=1.4975`，Parent/Child cosine 进一步降到 `0.6143/0.2556`，Triplet 也降到 `0.2870/0.1769`，已确认 Loss 和特征分离都在健康收敛。

## 15. 2026-08-03 HiHR arXiv Source 逐公式审计

- 已下载 `https://arxiv.org/src/2607.09186` 到 `papers/hihr_arxiv_source/`。source 只有 LaTeX、参考文献和图片，没有 official code/config/checkpoint。
- 论文 CARGO 目标值（R1/mAP）：ALL `74.36/67.52`，A->G `75.53/70.53`，A->A `75.00/69.60`，G->G `87.50/80.93`；论文不报告 mINP。
- 审计报告：`docs/HIHR_SOURCE_FORMULA_ALIGNMENT_AUDIT.md`。
- 已实现真正的 token-level Prompt：4 个 shared tokens，aerial/ground 各 4 个 view-private tokens；Prompt 在 CLIP Text Encoder 前插入。
- source-aligned TMF 使用一套 shared Q/K/V + Transformer；这是由 Fig.2 推断，正文未明确声明 parameter sharing。
- 已实现 `CVIdentitySampler`，K=4 时每个 ID 采 2 aerial + 2 ground，保证 parent cross-view 与 child intra-view Triplet 都有有效正样本。
- Lorentz exterior angle 与 HiHR 引用的 HyCoCLIP closed form 数值对照，最大绝对误差约 `7e-7`；cone aperture 与四项 entailment 均与论文公式对应。
- source-aligned 300-step 结果：关闭 HHL 时 Parent/Child cosine 为 `0.9776/0.9776`；直接启用 `lambda_e=5` 时为 `0.99999/0.99999`，发生 Collapse。
- 该 300-step 测试曾将 cosine LR schedule 一并压缩至 300 step，诊断不充分。已增加 `--lr-schedule-iters`，用完整 48180-step schedule 进行 2000-step复核。
- 论文未写清：visual 768->text 512 dimension bridge、TMF heads/FFN/norm/init、Prompt init、Text Encoder freeze policy、optimizer 细节、精确 sampler、HHL warm-up。因此当前只能称 `Paper-based Reimplementation`，不得称 official reproduction。
- 公平 2000-step 复核使用完整 48180-step LR schedule：TMF-only 的 Parent CE 降至 `3.7885`，cosine 降至 `0.1632`；全 HHL 的 Parent CE 保持 `7.8240`，cosine 升至 `0.9999997`。已确定主链可学习，首个失败模块为从第 1 step 全量启用 HHL。
- 从健康 iteration-2000 checkpoint 分项继续 500 steps：`proto_child+prompt_order` cosine 升至 `0.8324`；`parent_alignment+child_alignment` 升至 `0.9650`。generic Prompt->Visual alignment 是主要 Collapse 驱动力，prototype-child 也会明显聚集表示。
- 已加入 `--entailment-terms` 作为诊断开关；默认仍为论文四项全开。后续稳定化只能标为 `stabilized variant`。

## 16. 2026-08-03 HiHR Prompt EOS 关键修复与冲刺实验

- 发现 `CLIPTokenPromptLearner` 使用 `text_model.eos_token_id=2` 定位 pooled token，但 CLIP tokenizer 的实际 EOS/PAD ID 是 `49407`。匹配失败后 `argmax` 返回 0，导致读取 BOS；由于 causal attention，BOS 看不到任何后续 Prompt token。
- 旧 source-aligned checkpoint 实测：Parent/Child Prompt cosine `1.0`、attention L1 difference `0.0`、Parent/Child normalized feature L2 difference `0.0`，确认两层表示完全重复。
- 修复为 `eos_positions=attention_mask.sum(1)-1`。修复后 EOS positions `[10,16,16]`；初始 Parent-Aerial/Parent-Ground/Aerial-Ground Prompt cosine 为 `0.885/0.939/0.862`。
- 新增 EOS pooling regression test；本地与服务器均 `9/9 passed`。
- legacy feature-Prompt epoch-20 实测已接近论文 Baseline ALL：`68.91 R1 / 63.39 mAP`，论文 Baseline 为 `68.23/63.61`；但 A->G 仅 `55.62/52.10`，主要差距仍是 cross-view generalization。
- 已停止受 EOS Bug 污染的三条 source run，并从头启动：`HIHR_SOURCE_EOSFIX_TMF_60E`、`HIHR_SOURCE_EOSFIX_HHL_STAGED_60E`、`HIHR_SOURCE_EOSFIX_HIERARCHY_STAGED_60E`。
- 修复 EOS 后，论文原始 HHL (`lambda_e=5`, iteration 1启用) 在 iteration 600 仍 collapse 到 cosine `0.999996`；说明 EOS Bug 和 HHL loss dominance 是两个独立问题。
- 又发现 `lambda_entail=0` 时仍计算几何项，scale 增大后出现 `NaN*0`，导致 legacy 训练在约 iteration 24972 中止；已改为 disabled HHL 直接跳过几何计算，新增测试后服务器 `10/10 passed`。
- EOS-fixed Token+shared TMF epoch-10：CARGO `67.95 R1 / 59.83 mAP`，CARGO_AG `57.50/50.97`。
- EOS-fixed lambda=0.1 full HHL epoch-10：CARGO `65.06/59.56`，CARGO_AG `51.25/48.65`，暂不优于 TMF-only。
- legacy feature-Prompt+dual-TMF epoch-30：CARGO `72.76/64.34`，接近论文 Baseline+TMF `72.08/65.46`；CARGO_AG `61.25/54.87`。CV sampler 微调 epoch-35 后降为 CARGO `71.15/62.85`、CARGO_AG `58.13/53.24`，最佳仍为 epoch-30。
- 已停止 full staged HHL 与 hierarchy-only staged 分支；继续保留 EOS-fixed TMF-only、lambda=0.1 HHL、dual-TMF 三条主线至最终 checkpoint。
- source EOS-fixed shared-TMF epoch-20：CARGO `68.59/60.17`，CARGO_AG `54.38/49.14`。
- token+dual-TMF epoch-10：CARGO `66.99/60.10`，CARGO_AG `56.88/50.11`，没有优于 shared-TMF。