实验计划（Experiment Plan）

• 问题（Problem）：GaussianGPT 的生产级滑动窗口外扩生成（production sliding-window outpainting）可能仅因局部窗口原点（local window origin）改变，就产生不同的目标列条件分布（target-column conditional），并逐步积累为接缝（seam）、远距离退化和方向偏置。
• 方法论点（Method thesis）：针对固定物理提示与目标（prompt/target）的合法坐标图反事实样本（chart counterfactuals），将完整词元（token）概率无损推送到共同的 {z0...z19, EXIT} 事件空间，并通过训练消除由原点引起的事件跳变（origin-induced event jumps）；架构和推理保持不变。
• 日期（Date）：2026-07-16
• 当前证据（Current evidence）：仅有确定性的静态 G0 证据；尚无 GPU 或模型实验结果。
• 评审状态（Review status）：同模型家族的暂定评审（same-family provisional）；方案已可进入实验规划（READY），但经验性可接受度尚未验证（empirical acceptance unvalidated）。

论断映射（Claim Map）

需要排除的反论断（Anti-claims）

• 收益仅来自两次前向传播、配对交叉熵（paired CE）、丢弃平滑（dropout smoothing）或普通原点增强。
• 方法只改善合成坐标图指标，却不改善真实原点切换状态。
• EXIT 聚合掩盖了解析器（parser）真正关心的概率差异。
• 必须使用特征 KL 散度（feature KL）或更大的模块堆栈；若最简事件分支已经足够，应优先采用仅事件方案（event-only）。
• 改进依赖共识解码/重排序（consensus/reranking），或改变了推理预算。

论文叙事线（Paper Storyline）

• 正文必须证明（Main paper must prove）：
  1. 精确的生产语法允许足够多真实的同状态坐标图反事实样本（same-state chart counterfactuals）；
  2. 冻结的 GaussianGPT 会出现集中于原点切换的事件/采样跳变；
  3. 零新增参数的训练信号优于等算力增强和 R-Drop；
  4. 在不改变推理的情况下，4/8/12 m 生成得到改善，且分块质量与多样性不退化。
• 附录可提供（Appendix can support）：配对覆盖率分层、K/λ 扫描、特征门控、位移方向/幅度、可选 ScanNet++ 迁移，以及分组/非空配置的探索性审计。
• 主动删去的实验（Experiments intentionally cut）：多顺序训练、新 RoPE/等变架构、KV/缓存/记忆、共识解码、新分词器（tokenizer）、由粗到细规划器（coarse-to-fine planner）和通用接缝修复器。
• 前沿模型必要性模块（Frontier necessity block）：删除。大语言模型（LLM）、视觉语言模型（VLM）、扩散模型（diffusion）或强化学习（RL）都不是核心组件，强行加入反而会削弱方法。

各模块共用的实验协议（Experimental Protocol Shared Across Blocks）

代码与模型来源（Code and model provenance）

• 审计时 GaussianGPT 仓库位于干净的 main 分支，提交为 e3be826。
• 获取官方场景检查点（checkpoint）并记录校验和与配置；当前本地尚无检查点。
• 所有实验分支都冻结 VQ-VAE/解码器（decoder）。
• 首先使用默认的单列大场景语义：no_empty_columns=false、resample_empty_columns=true、chunk_order=xyz。
• 不得在主要论断中暗中加入分组或非空变体。

数据（Data）

• 主要数据：GaussianGPT 使用的 3D-FRONT 训练/验证划分；缓存 {global coords, feature_ids}，并保存可复现的生产流程/真值模拟（GT-simulated）滚动状态。
• 长场景数据：沿用论文的大场景生成协议与固定场景种子，范围为 4 m、8 m 和 12 m。
• 次要/可选数据：仅在 C1/C2 通过后测试 ScanNet++；该数据集上的结果不能挽救失败的主要前提。

统计方法（Statistics）

• 对坐标图反事实采样和不同系统的匹配生成种子使用公共随机数（common random numbers）。
• 主要指标报告中位数、均值、自助法 95% 置信区间（bootstrap 95% CI）及逐场景分布。
• 对原点定位效应拟合混合效应或配对回归：固定效应包括 method、origin_change 及二者交互项；场景作为随机截距，并匹配/控制上下文长度、占用率和目标距离。
• 预注册两个主要长场景终点：原点切换接缝超额和距离—KID 斜率。使用 Holm 方法校正二者的 p 值；其他指标均为次要指标。
• 任何进入论文正文的结果都使用 3 个独立微调随机种子。

实验模块（Experiment Blocks）

B0 — 语法与真实配对前提门槛（Grammar and Real-Pair Premise Gates）

• 检验论断（Claim tested）：C1 的前提——方法所需的反事实状态/动作接口确实存在于生产数据中。
• 设置本模块的原因：避免为数学上正确、但与实际生产流程无关的配对任务消耗 GPU 预算。
• 数据集/任务（Dataset / task）：先对默认解析器做精确属性测试（property tests），再使用逐字保留的 3D-FRONT 验证集滚动提示 (H,T)。
• 比较系统（Compared systems）：不涉及学习系统；比较零位移、合法非零位移、刻意构造的非法位移，以及仅作为负对照的可选截断提示诊断。
• 指标（Metrics）：
  • 解析器属性测试通过数与概率质量守恒；
  • 非自举原点切换状态中，至少存在 1 个非零合法配对的比例；
  • 每个状态的合法原点数、位移方向和幅度；
  • 按上下文长度、占用行数、目标距离和场景类型分层的配对覆盖率；
  • 已覆盖与未覆盖状态之间的标准化差异。
• 设置（Setup）：计算主要覆盖率时不得删除任何提示行；记录精确的词元与配置校验和。
• 成功标准（Success criterion）：
  • G0 穷举属性测试全部通过；
  • 至少 20% 的合格原点切换状态具有非零配对；
  • 验证集中至少有 10k 个配对状态；
  • 经预注册重加权分析后，已覆盖/未覆盖状态在上下文长度与占用率上的标准化差异不超过 0.25。
• 失败解释（Failure interpretation）：终止 C01；不得放宽为支撑集交集（support intersection）或截断提示。
• 目标表格/图（Table / figure target）：正文表 1（前提/覆盖率）；方法图 2 的配对示意图；附录提供详细分层结果。
• 优先级（Priority）：必须运行（MUST-RUN）。

B1 — 冻结反事实因果审计（Frozen Counterfactual Causal Audit）

• 检验论断：C1——纯坐标图干预会导致显著的生产事件/采样跳变，且效应集中于真实原点切换。
• 设置本模块的原因：在训练前确认失效确实存在，并将其与一般暴露偏差（exposure bias）区分。
• 数据集/任务：通过 B0 的验证状态；精确重放、同坐标图丢弃、合法替代原点，以及证据改变的负配对。
• 比较系统：仅使用一个冻结的官方 GaussianGPT 检查点。
• 指标：
  • 21 类事件的 Jensen–Shannon/KL 散度（JS/KL）与目标事件负对数似然（NLL）方差；
  • 在相同均匀随机变量下的耦合采样分歧（coupled-sampling divergence）；
  • 可选的特征 JS 散度与精确 top-1 不一致率；
  • 原点切换局部化的潜变量接缝分数；
  • 原点切换步骤相对匹配稳定步骤的额外事件/接缝跳变。
• 设置：温度与 top-p 完全相同；单步干预内不得改变重试温度；如数据允许，使用至少 10k 个配对状态。
• 成功标准：
  • 坐标图事件 JS 中位数至少为精确重放噪声的 5 倍；
  • 原点切换状态相对稳定状态的匹配 JS 至少高 25%，且置信区间不含 0；
  • 耦合采样分歧不可忽略，并与下一列接缝异常相关；
  • 仅当特征 JS 至少为重放噪声的 2 倍且具有实质贡献时，才启用特征损失。
• 失败解释：训练前终止；零结果同样有价值，可排除 C01。
• 目标表格/图：正文图 3（反事实分布与原点切换定位）；表 1 的门槛状态。
• 优先级：必须运行（MUST-RUN）。

B2 — 等算力方法隔离（Matched-Compute Method Isolation）

• 检验论断：C1 及反论断——消除失效的是具有语义约束的坐标图配对，而不是通用平滑或额外算力。
• 设置本模块的原因：隔离精确贡献。
• 数据集/划分/任务：3D-FRONT 训练集；留出的验证坐标图配对和标准分块生成。
• 比较系统：
  1. 官方检查点/标准等时长微调；
  2. 配对列交叉熵（CE）+ 原点增强；
  3. 前向次数匹配的同坐标图 R-Drop；
  4. 坐标图—事件一致性；
  5. 仅在 G3 通过时加入事件+特征版本。
• 指标：
  • 主要指标：留出事件 JS、目标事件 NLL、原点切换耦合采样分歧；
  • 次要指标：分块 FID/KID、几何 COV/MMD、熵、两两多样性、训练吞吐量和峰值显存。
• 设置：
  • 先在固定子集上运行单种子试验，再进行 3 种子全数据实验；
  • 冻结 VQ-VAE；优化器、更新次数、配对批次数和语言模型头（lm-head）评估次数相同；
  • 默认 K=32，采用单梯度交替方向；在不退化约束下，根据验证事件 JS 选择 λ/β。
• 成功标准：
  • 坐标图方法在事件 JS/NLL 上实质性优于增强和 R-Drop，且置信区间不含 0；
  • FID/KID 相对退化不超过 3%，COV 下降不超过 2 个百分点，多样性下降不超过 5%；
  • 仅当特征版本相对仅事件版本带来显著增益时才保留。
• 失败解释：
  • 与 R-Drop 持平：收益属于通用正则化，否定新颖性；
  • 与增强持平：配对语义并非必要；
  • 质量/多样性下降：即使坐标图 JS 改善，方法仍判定失败。
• 目标表格/图：正文表 2（方法隔离），附一列简洁训练成本；附录报告超参数。
• 优先级：必须运行（MUST-RUN）。

B3 — 主要长场景锚定结果（Main Long-Scene Anchor Result）

• 检验论断：C2——消除坐标图—事件跳变可在不改变推理的情况下改善场景扩展。
• 设置本模块的原因：这是论文真正的应用收益。
• 数据集/任务：3D-FRONT 大场景生成，范围为 4 m、8 m、12 m；分别沿 x、y 方向扩展，并使用共同场景种子。
• 比较系统：官方 GaussianGPT、原点增强、R-Drop、坐标图—事件一致性；仅当 B2 保留特征版本时才加入该版本。
• 指标：
  • 主要指标 1：原点切换接缝超额，定义为标准化占用连通性缺损加相邻 LFQ/解码特征跳变，相对于匹配稳定边界的超额；
  • 主要指标 2：按距种子距离分箱的归一化 KID 斜率；
  • 强制次要指标：|KID_x-KID_y|、空列/重试率、适用时的几何 COV/MMD、总墙钟时间和峰值显存；
  • 重复报告分块 FID/KID/多样性作为安全指标。
• 设置：至少 3 个模型种子；采样温度/top-p 相同并使用共同生成种子；禁止共识/重排序；按范围分阶段运行，以便失败时提前停止。
• 成功标准：
  • 相比增强和 R-Drop，原点切换接缝超额至少降低 15%；
  • 距离—KID 斜率至少降低 10%，且置信区间不含 0；
  • 若基线 x/y 差异显著，则相对差异至少降低 20%；
  • 不违反预注册的分块质量/多样性边界，且推理开销可忽略。
• 失败解释：
  • 改进不集中于原点切换：因果叙事失败；
  • 只在 4 m 上改善：长时程证据不足；
  • x/y 差异持续存在：报告为不完全成功；固定 xyz 因子分解仍是独立限制。
• 目标表格/图：正文表 3；图 4 展示距离曲线和空间热图；图 5 展示定性边界裁剪图。
• 优先级：必须运行（MUST-RUN）。

B4 — 简洁性、稳健性与失效边界（Simplicity, Robustness and Failure Envelope）

• 检验论断：C2 的支撑论断——最简仅事件方法已经足够，且其限制得到明确描述。
• 设置本模块的原因：在不引入第二项贡献的前提下论证方法的简洁性。
• 数据集/任务：验证配对、分块生成、选定的 8/12 m 场景；主要结果成功后可选做 ScanNet++。
• 比较变体：
  • 若 G3 通过，比较仅事件与事件+特征；
  • K ∈ {16,32,64}；λ/β 取低、中、高三档；
  • 小位移与较大合法位移；x 与 y 方向；
  • 默认单列配置与可选配置的比较仅作为附录范围审计。
• 指标：事件 JS、长场景主要终点、算力、熵/多样性、配对覆盖率。
• 成功标准：K=32 的仅事件版本应位于或接近帕累托前沿（Pareto frontier）；主要结果不应依赖额外组件。
• 失败解释：如果只有复杂版本有效，应在论文写作前修订简洁性论断。
• 目标表格/图：正文使用紧凑消融行；完整扫描与失败结果放入附录。
• 优先级：仅事件/特征决策为必须运行（MUST-RUN）；ScanNet++ 和可选解析器变体为可选（NICE-TO-HAVE）。

运行顺序与里程碑（Run Order and Milestones）

首先启动的三项运行（First Three Runs to Launch）

1. R001 — 精确生产解析器属性测试（Exact production parser property test）：将 A_o 与默认单列路径中的每个真实词元/EOS 转移逐一比较；仅使用 CPU。
2. R002 — 逐字滚动提示配对覆盖扫描（Verbatim rollout pair coverage scan）：不得截断提示；生成覆盖率/偏差表与 G1 决策；仅使用 CPU。
3. R003 — 冻结反事实审计（Frozen counterfactual audit）：使用公共随机数进行纯坐标图干预并作出 G2/G3 决策；这是第一个 GPU 运行，只能在 R001/R002 通过后执行。

算力与数据预算（Compute and Data Budget）

• 仅门槛预算（Gate-only budget）：R001/R002 为 0 GPUh；R003 为 2–6 GPUh。
• 到 M3 的最低继续/停止试验预算（Minimum go/no-go pilot）：约 45–105 GPUh。
• 完整必做论文实验计划（Full must-run paper program）：约 300–550 GPUh，主要消耗来自 3 种子微调和 12 m 采样。
• 可选附录/ScanNet++（Nice-to-have appendix/ScanNet++）：额外 20–100 GPUh。
• 数据准备（Data preparation）：官方检查点、词元化完整场景载荷、生产滚动状态导出器、稳定的大场景评估器。
• 人工评估（Human evaluation）：不需要。
• 最大瓶颈（Biggest bottleneck）：大场景生成的墙钟时间；采用分阶段范围，并在 12 m 之前执行终止门槛。

风险与缓解措施（Risks and Mitigations）

• 真实配对覆盖率低：终止；不得截断提示或扩展到不同证据。
• 解析器映射错误：任何前向传播前，针对真实状态转移运行穷举属性测试。
• 冻结效应不存在：微调前终止。
• R-Drop/增强持平：否定新颖性并记录负结果。
• 特征信号缺失：最终采用仅事件方法。
• 长场景评估昂贵：仅在达到阈值后按 4 m → 8 m → 12 m 推进；公共种子与配对统计可减少所需样本数。
• 指标混杂：主要因果指标定位于原点切换；x/y 差异与全局 KID 仍必须报告，但相对机制检验属于次要指标。
• 可选配置不匹配：论文范围限定于默认解析器；可选变体只作为附录审计，不能成为隐藏假设。

最终检查表（Final Checklist）

• ☑ 问题锚点（Problem Anchor）与论断已冻结。
• ☑ 正文实验模块紧凑，并由论断驱动。
• ☑ 已通过增强和 R-Drop 对照隔离新颖性。
• ☑ 通过仅事件门控且不增加模块来论证简洁性。
• ☑ 明确说明无需前沿模型组件，也未强行加入。
• ☑ 可选运行与必须运行已分离。
• ☑ 终止门槛位于昂贵训练和 12 m 生成之前。
• ☐ 已获取官方检查点/数据并记录校验和。
• ☐ 已执行 G1/G2/G3 经验门槛。
• ☐ 当前研究发现任务尚未运行任何 GPU 工作。