v3.4 函数保持初始化：纠正后的 delivcoal 评估
评估日期：2026-09-10
完整性
taskctx 与 noctx 各包含三个独立训练 seed，每个任务完成 1500 episode。周期验证覆盖 180 个 checkpoint、每个 checkpoint 32 个场景，共 5760 条轨迹；最终测试覆盖 validation-best 和 last、每个模型与 selector 128 个 held-out 场景，共 1536 条轨迹。六个训练任务和 192 个评估任务均正常完成，自动审计通过。
聚合结果
| selector | 方法 | 成功率 | 训练 seed SD | 任务完成率 | 配送比例 | episode 长度 |
|---|---|---|---|---|---|---|
| validation-best | taskctx 函数保持 | 65.89% | 5.20 pp | 95.55% | 96.14% | 635.49 |
| validation-best | 配对 noctx | 64.84% | 2.82 pp | 95.36% | 95.85% | 646.05 |
| last | taskctx 函数保持 | 65.63% | 9.76 pp | 95.39% | 96.21% | 640.92 |
| last | 配对 noctx | 61.98% | 4.71 pp | 94.69% | 95.49% | 648.06 |
taskctx 从 validation-best 到 last 的成功率变化为 −0.26 个百分点。原 v3.4 taskctx 的对应变化为 −3.39 个百分点。聚合层面的末期回落得到缓解。
训练 seed 结构
| seed | taskctx best | taskctx last | best→last | noctx best | noctx last |
|---|---|---|---|---|---|
| 1 | 60.16% | 54.69% | −5.47 pp | 65.63% | 62.50% |
| 2 | 70.31% | 68.75% | −1.56 pp | 61.72% | 57.03% |
| 3 | 67.19% | 73.44% | +6.25 pp | 67.19% | 66.41% |
seed 1 仍有清晰下降，seed 3 的上升抵消了它。last 的 taskctx 训练 seed SD 达 9.76 个百分点，高于 validation-best 的 5.20 个百分点。函数保持初始化改善了聚合保持性，训练稳定性仍然依赖 seed。
task context 的增量证据
validation-best 上，taskctx 相对 noctx 的成功率差为 +1.04 个百分点，任务完成率差为 +0.18 个百分点。同场景成功/失败不一致计数为 70:66，精确 McNemar 检验 p=0.797。
last 上，taskctx 的成功率差为 +3.65 个百分点，任务完成率差为 +0.70 个百分点。同场景不一致计数为 72:58，精确 McNemar 检验 p=0.254。三个训练 seed 的 last 成功率差依次为 −7.81、+11.72 和 +7.03 个百分点。
这些检验衡量固定六个策略在相同测试场景上的条件差异。训练层只有三个 seed，统计把握度有限。现有结果提供了 last 上的正向趋势，尚未建立可重复的 task-context 性能提升。
新增四列在初始化时权重为零，三个 last checkpoint 中对应权重块的 Frobenius 范数分别增长到 0.418、0.507 和 0.506。优化器确实更新了任务上下文通路；权重非零本身不能证明策略在关键重组决策中利用了这些信息。
行为与代价指标
validation-best 的 taskctx episode 平均缩短 10.56 步，同时成功率略高。last 的 taskctx 平均缩短 7.14 步，成功率高 3.65 个百分点。另一方面，last 的平均响应时间为 29.27，noctx 为 26.61；承诺载荷短缺比例分别为 9.81% 和 8.48%。因此，整体完成表现的正向趋势尚未对应到更低的联盟短缺或更快的响应。
评估结论
函数保持初始化消除了已确认的初始策略混杂，并在本轮聚合结果中基本消除了 best→last 回落。它没有让每个 seed 都稳定，seed 1 仍下降 5.47 个百分点，taskctx last 的 seed 间波动仍然较大。
task context 目前适合作为候选机制保留。常规 held-out 测试只给出小幅正向趋势，证据强度不足以将它表述为性能贡献。下一项实验应直接使用相同状态进行成员关键性干预：只改变某成员离开后原联盟是否出现运力缺口，观察 taskctx 是否相应降低转移概率，并测量后续源任务损失和高优先级目标收益。这个实验能够检验新增输入所对应的具体决策功能。