详细数据

本页记录 SFP 实验的原始结果和统计口径。结果文件来自仓库中的 blog/tmp/result/，图表见评估结果摘要。

数据文件

文件	内容
dp_train.json	DP 训练日志，共 500 条记录。
sfp_train.json	SFP 训练日志，共 1000 条记录。
sfpj_train.json	SFPJ 训练日志，共 500 条记录，包含历史噪声的有效尺度。
dp_eval.json	DP 在 20 个 seed 上的逐步奖励和推理耗时。
sfp_eval.json	SFP 在 20 个 seed 上的逐步奖励和推理耗时。
sfpj_eval.json	SFPJ 在 20 个 seed 上的逐步奖励和推理耗时。

文件中的 checkpoint 字段保留了生成结果时使用的 checkpoint 名称；其中的机器本地绝对路径不作为复现实验所需路径。

评测协议

• 环境为 PushT，设备为 CUDA。
• 三种方法均使用 seed 600 到 619，共 20 个 episode；每个 episode 最多运行 200 步。
• max_reward 是单个 episode 运行期间的最大奖励；本实验将 max_reward = 1 记为成功，success 字段是该判定的布尔值。
• inference_time_ms_per_step 是该 episode 的总推理耗时除以步数，单位为毫秒。表中的均值和标准差是在 20 个 episode 上计算的。
• SFP 使用 integration_steps_per_action = 1；DP 和 SFPJ 的该字段不适用。

评测汇总

方法	checkpoint	平均最大奖励	最大奖励标准差	成功率	成功数	单步推理耗时（ms）	约等效推理频率（Hz）
DP	epoch_0200.pt	0.9528	0.0572	35%	7/20	91.87 ± 0.83	10.9
SFP	epoch_0500.pt	0.9086	0.2122	25%	5/20	6.31 ± 0.25	158.5
SFPJ	last.pt	0.9008	0.1930	35%	7/20	8.47 ± 0.44	118.0

相对于 DP 的单步推理耗时，SFP 约快 14.56 倍，SFPJ 约快 10.84 倍。SFPJ 比 SFP 慢约 1.34 倍，但两者的平均最大奖励接近；在这组 20 个 seed 的评测中，DP 的平均最大奖励最高，DP 与 SFPJ 的成功率均为 35%，高于 SFP 的 25%。推理频率是 1000 / inference_time_ms_per_step 的换算值，只表示模型推理吞吐，不等同于环境最终控制频率。

训练日志汇总

训练日志按 epoch 记录一次损失和学习率。下表的“最低损失”是在完整日志中逐条取最小值，而不是只取最后一条。

方法	记录数	首条损失	最后一条损失	最低损失（epoch）	学习率首值 → 末值
DP	500	0.73450	0.00798	0.00781（485）	1.90e-5 → 1.00e-4
SFP	1000	1.08143	0.02421	0.02301（968）	9.60e-6 → 0
SFPJ	500	1.30794	0.00250	0.00248（492）	1.86e-5 → 0

SFPJ 额外记录 history_noise_effective_scale，从第 1 条的 0.00465 逐步增加到第 500 条的 0.25，用于表示训练时动作历史噪声的实际尺度。

JSON 字段

训练日志

字段	说明
epoch	日志记录对应的训练轮次。
loss	当前轮次的训练损失。
learning_rate	当前轮次使用的学习率。
history_noise_effective_scale	SFPJ 的动作历史噪声有效尺度；DP 和 SFP 不包含此字段。

评测文件顶层

字段	说明
schema_version	结果文件格式版本，当前为 2。
method	dp、sfp 或 sfpj。
checkpoint	生成评测结果时加载的 checkpoint。
device	推理设备，当前为 cuda。
seeds	本次评测使用的随机种子列表。
max_steps	每个 episode 的最大步数。
integration_steps_per_action	SFP 的每个动作使用的积分步数；不适用时为 null。
episodes	每个 seed 的逐步奖励、成功状态和推理耗时记录。
summary	对 episodes 聚合得到的平均值、标准差和成功率。

episodes 中的字段

字段	说明
seed	当前 episode 使用的随机种子。
rewards	每个环境步的奖励序列。
max_reward	rewards 中的最大值。
steps	实际运行步数。
success	是否达到成功判定。
inference_time_seconds	当前 episode 的总推理耗时，单位为秒。
inference_time_ms_per_step	总推理耗时除以 steps，单位为毫秒。

summary 中的字段

字段	说明
mean_max_reward / std_max_reward	20 个 episode 的 max_reward 均值 / 标准差。
success_rate	success = true 的 episode 数除以 episode 总数。
mean_inference_time_ms_per_step / std_inference_time_ms_per_step	单步推理耗时的均值 / 标准差。

评测 JSON 保留逐步数据，因此图表中的奖励曲线、最大奖励分布、成功率和延迟分布都可以从原始文件重新生成。训练 JSON 同样保留每条日志记录，图表中的损失和学习率曲线不依赖手工录入的汇总值。