新配置由 python3 -u tools/runcorrectedqojtraining.py 启动， 先完成 96 局历史/48 局 PPO 的流程对照，再自动启动全量运行。 输出 runs/resnet-guarded-20261004，旁侧.job.json 记录阶段和进程，.log 记录实时训练进度。恢复正式训练使用同一命令追加 --resume。 - 从上一轮 best.pt 保留宽度 256、两路各 4 层的共享表示，切换冻结先验为 指定 ResNet best；重置四个残差策略头和门控，使新起点的出牌/叫分 argmax - 关闭历史动作模仿 (--history-weight 0) 及历史终局收益对价值/胜负头的监督。 历史公共状态用于 ResNet 的动作蒸馏、KL 和真实暗牌标签辅助训练； 价值头使用实际生成的教师轨迹和新鲜 PPO 轨迹。 PPO 从验证 best.pt 开始，学习率 5e-6，教师 KL 权重.15，每轮 96 局、1 轮更新。 - 通常 75% 对局直接针对目标 ResNet，剩余为自博弈和快照。快照随机选择， - 更新后计算整轮所有状态、全部合法动作上的精确 old||new KL。 - 正式预算 256 轮，共 24,576 局 PPO；最终测试另保留 256 副发牌/3,072 局， 并用独立 JavaScript 规则回放。新训练/验证/测试种子区间均避开旧实验。 强先验检查点使用格式 2，记录 teachermodeltype 和权重哈希，加载时自动选择 ResNet best；旧格式 1 的 LSTM…