[错误] MIN_ADAPTIVE_BASELINE 取值未针对 v2.0.7 标准化反向传播奖励尺度进行调整 — 政策/技能提升收益被永久性地限制

概要

core/memory/l2/gain.ts 的 adaptiveBaseline() 将 MIN_ADAPTIVE_BASELINE = 0.2 设为下限。在 v2.0.7 奖励反向传播重写（使用正常化信用分配而不是从右向左衰减）之后，典型的池均值跟踪值大约下降了一个数量级（从旧的 ~0.5–0.85 范围降至 ~0.01–0.06）。由于 adaptiveBaseline(poolMean) = max(MIN_ADAPTIVE_BASELINE, min(V7_NEUTRAL_BASELINE, poolMean))，在重写后的池均值中，该函数总是返回 0.2 的下限 - 这是死代码，它再也不会适应实际奖励分布。具体的后果有两点：

1. 增益上限：computeGain()（effectiveWith − shrinkTowardBaseline(...)）被限制得远低于候选策略可以实现的水平，因为 effectiveWith 值现在集中在 0.01–0.06 附近，而 shrinkTowardBaseline 则朝着卡住的 0.2 基准线拉伸。
2. 低 without 计数策略的负增益偏差：shrinkTowardBaseline 使用 WITHOUT_PRIOR_PSEUDOCOUNT = 5 来向 (现在系统性地过高的) 0.2 基准线混合，当策略具有少量 "without" 观察时 - 这使得增益对那些最需要推广门限来公平评估它们的策略强烈负面。

根本原因

// core/memory/l2/gain.ts
export const V7_NEUTRAL_BASELINE = 0.5;
export const MIN_ADAPTIVE_BASELINE = 0.2;

// 适应基准值
export function adaptiveBaseline(poolMean: number): number {
  if (!Number.isFinite(poolMean)) return V7_NEUTRAL_BASELINE;
  return Math.max(MIN_ADAPTIVE_BASELINE, Math.min(V7_NEUTRAL_BASELINE, poolMean));
}

在 poolMean ≈ 0.01–0.06（v2.0.7 典型范围）时，Math.min(0.5, poolMean) ≈ poolMean，而 Math.max(0.2, poolMean) 总是解析为 0.2，因为 poolMean < 0.2。这些常量以及它们周围的文档注释是为前 v2.0.7 奖励量级写的，并且在重写 core/reward/backprop.ts 时从未重新讨论过。