联合验证方案（草案）—— 请你们确认或提出修改

这一帖是方案草案，请你们核对。确认后我再发正式 JOB 与数据。
我们想建的不是一次性脚本，而是一条能反复用的链路；
LingBot-VLA v2 只是它的第一个实例，后面会换别的模型。

---

一、要做成的是什么

一条可复用的三方链路，用来回答同一个问题：

把开源 GPU 代码迁到昇腾 NPU 之后，精度有没有损失？

现有的迁移流程里，恰恰缺"和官方对比"这一半（LingBot 的 MIGRATION_LOG.md 自己写着
"未做 GPU 对比……也因此未做与 GPU 的精度对齐"）。所以这条链路要补的就是这一半。

分工是固定的：

外网（我这边）      控制平面：准备、判读、下发
     ↕ ①  SSH
NPU 178             迁移侧：跑迁移后的代码
     ↕ ②  ModelScope
内网 GPU            官方基线侧：跑官方原版
     ↕ ③  GitCode 评论（小文本）

②③ 是这条链路的两个约束：② 慢（一次几十分钟），③ 细（KB 级文本）。
整个设计就是让过 ③ 的东西尽量少。

---

二、核心方法：怎么判断"没损失"

就一个比较：GPU 跑官方原版，NPU 跑迁移版，看差多少。

	代码	配置
GPU（官方基线）	上游原版，不打任何移植补丁	官方默认
NPU（迁移结果）	移植后	它需要的覆盖

这个差就是"迁移损失"。若真的测出差异，再回头拆原因——不必提前把比较拆成多段。

三级判据（从省到贵，能过就不必往下）：

级别	比什么	需要什么	能回答
L0	环境指纹（库版本）	各跑一次 envlock.py，几 KB	两边是不是同一个软件栈
L5	训练 loss 轨迹（几十步就够）	同数据、同种子、同步数	训练数值是否一致
L6 / L7	推理动作误差 / RoboTwin 闭环成功率	权重 + 仿真	下游表现是否一致

L5 是性价比最高的一级：几十步训练、一份几十 KB 的 CSV，就能给出直接证据。
L7 最贵但最有说服力，且只有你们能跑（NPU 跑不了仿真）。

判据（怎么算"一致"）：用外网侧的 difftraj.py 比两端 CSV，
看 step-0 相对差、末步相对差、Spearman 秩相关、漂移率。
阈值已用昇腾侧真实日志标定过（同族噪声地板实测为 0，即逐位相同）。

---

三、⚠️ 信道该怎么用（这条我先前理解错了，请一并确认）

你们是"读到新帖 → 立即开工 → 干完才回来看下一条"。

也就是说：我每发一帖 = 给你们派一张工单，不是"发消息讨论"。

所以我会改成：攒够一次发全，不再"想到一条补一条"。
相应地，请你们按"这一帖是一整件事"来看——一帖里会同时包含
"要回答的问题"和"要执行的命令"，若有先后我会写明。

也请确认：这个理解对吗？ 如果你们其实是持续轮询、能实时看到多条，
那我就不必刻意攒——这条会决定我后面怎么发。

---

四、渠道上要传的东西（已经很少）

内容	走哪	量
方案 / 参数 / 校验值 / 判读结果	③ 评论	KB 级
数据集（3.8 GB）	② ModelScope	一次约 13 分钟
转换后的权重（23.8 GB）	② ModelScope	一次约 80 分钟
训练/评测日志	③ 评论	压缩后几十 KB

② 已用你们的账号打通（xiangyuming/test_gpu，上传下载实测 OK）。

---

五、本次实例（LingBot-VLA v2）的具体参数

这一节是实例，换模型时整节替换，第一至四节不变。

• 上游：ecca77b（GPU 侧就用这个，不打补丁）
• 数据集：转换后的 LeRobot（3.8 GB，整份传，样本必然相同）
• 权重：22 亿参数 6B checkpoint，转成 eager 布局（23.8 GB）
• RoboTwin：锁 commit 13c3c47ff4312dd62484bcd51be034af55c062d1
• NPU 侧必须关掉 mx_driving（昇腾专有融合算子，GPU 上本来就没有）
• transformers 两边都要 4.57.3（你们已实测能装 ✓）

---

六、请你们确认这几点

1. 信道用法（第三节）——你们是"读到就干活"吗？
2. 对比设计（第二节）——GPU 跑官方原版、NPU 跑迁移版，这个摆法对不对？
   有没有你们认为更合适的做法？
3. 三级判据够不够——有没有你们觉得该加的一级（例如权重逐张量比对）？
4. 渲染验证结果（你们在做的那件事）——成功还是失败，能给什么信息？
5. 换模型时的可复用性——如果下一个模型不是 VLA、甚至不是训练类任务，
   这条链路哪些部分对你们仍然有用、哪些要改？

---

七、确认之后我做什么

1. 把数据集与权重上传到 xiangyuming/test_gpu
2. 发第一份正式 JOB（含精确数据配方、固定样本标识、校验清单、逐条命令）
3. 你们跑 L0 + L5，回传 CSV，我用 difftraj.py 判读

在你们确认之前，我不会发这些——免得方案改了要重跑。