读者：想引用本仓实测结果、或想知道"某个数字是怎么来的、该怎么重跑"的人——包括库外使用者。 与
docs/的分工：docs/写"项目现在是什么"（见../docs/README.md）；research/写"我们实测过什么、结论是什么、边界在哪"。全仓的历史叙事在../docs/history/history.md，这里只放自包含的研究报告 + 可重跑的脚本/数据。
每条研究都按同一口径组织，引用时请连口径一起引用：
- 结论——一句话、带数字与样本量（例：
99.34% ± 0.049, n=5，而不是"约 99.3%"）； - 证据——什么数据 / 多少轮 / 什么设备；
- 重跑——从零复现的入口命令（不需要读源码）；
- 边界——"本实测不能说明什么"（每条都单列一节，请勿跨边界外推）。
两个通用注意事项：
- 单轮差异不要当结论：轮间 std 常在 0.05 个百分点量级；凡未标
n=的数字都是单轮。 - 设备/口径必须一起写：本仓的 GPU 结论多来自 CMP 40HX（Windows / clang）；换卡
（尤其无
shaderFloat16的 Maxwell 卡）可能落到不同的 f16 路径。
2.1 mnist/ — MNIST：模型尺寸 / 训练超参 → 准确率
- 结论（可引用）：743 KB 的 CNN（Conv16k5+Pool → Conv32k5+Pool → FC256 → FC128 → 10，
BatchNorm@conv）在 MNIST 上 5 轮独立运行均值
99.34% ± 0.049（99.26~99.38）， 训练成本约 114 s/轮（GPU，18 epoch）。推荐超参：adamw / wd=1e-3 / lr=3e-3 / cosine + warmup 3 / batch 128 / 18 epoch。 - 证据：41 轮确定性广度扫描（模型尺寸 × lr × optimizer × wd × batch × 精度）+ 聚焦筛选 +
5 轮确认。汇总表
results/REPORT_TABLES.md、逐 run 明细results/all_runs.csv、图results/charts/*.svg、聚焦实验results/focus_cnn/REPORT.md。 - 重跑：
cmake -B build_rel -G Ninja -DCMAKE_BUILD_TYPE=Release→ MNIST 报告 §6「复现」 （含scripts/focus_cnn.py --stage screen/confirm/report与广度扫描口径）。 权重不进仓，理由与「从零重训」的命令见models/README.md。 - 边界：见该报告 §5.1「本实测不能说明什么」——结论不能外推到更难的数据集；
CLI 无
--seed，单轮差异（<0.1 pp）不当结论，能站住的只有「743 KB 稳定到 99.3 级」； 本报告只量准确率与体积，不含吞吐/显存；训练时间为单卡单次观察值。工程细节（未跑完的扫描组、 "训练中日志别当结果"）见该报告 §7。
2.2 f16_weight_decay/ — GPU param=f16 训练 loss 中途回弹的根因
- 结论（可引用）：
--precision-param f16下 AdamW 的权重衰减写回p *= (1-lr·wd)走融合 shader 的float16_t(...)（SPIR-VOpFConvert），在实测驱动上按"向零截断"舍入：该差值 远小于 1 ULP，正确舍入应为恒等，截断则每 optimizer step 恰好掉 1 个 f16 网格步 （与 lr 无关，只要 wd>0）→ 权重以 ≈0.07%/步衰减，数万步后下溢为 0 → loss 回到ln(V)=9.01。 - 现状：根因已修——
expr_glsl_gen.hpp的 f16 写出改为glsl_f16_store()（float16_t(nn_f16_rne(v))，整数位运算做精确 RNE）。⚠ 报告里建议的packHalf2x16实测同样截断（Vulkan-Docs #1825），最终没有采用它。 - 证据：现场模型张量解析 + 同数据 A/B 隔离 + 收缩量的定量性质 + 最小探针
（
decay_probe.cpp）+ SPIR-V 反汇编 + 时间线对账。 - 重跑：报告 §7.2「重建探针」/ §7.3「复现实验组」。
- 边界：舍入模式是驱动相关事实（"规范没钉死它"才是规范侧结论）；
wd=0或短跑看不到该 现象——所以"f16 轨迹与 f32 一致"这类旧结论只在wd=0/短跑下成立。
2.3 ternary_ste/ — 三值 / 二值权重的 STE 训练可行性
- 结论（可引用）：用现有公开 API 就能跑通三值
{-1,0,+1}（1.58 bit）与二值{-1,+1}的 STE 训练，零库改动：两个探针都把教师权重模式逐项 100% 还原 （三值 1370/1370、二值 2048/2048；MSE 14.21→0 / 20.95→0）。 - 证据：两个自包含探针
poc_ternary_ste.cpp/poc_binary_ste.cpp（dsl::compute+select+rparam+matmul）。 - 重跑：报告 §1「复现」（一条
clang++命令；两个程序毫秒级跑完 3000 步）。 - 边界：只证明算法路径可行，不证明性能——全部是 CPU、f32 存储、单层玩具问题。它是
../docs/todo/21-quantized-weights.md的前置证据， 不等于三值整机能力（打包内核 / 精度枚举 / 能力声明是另一条线）。
2.4 ternary_scale/ — 三值量化的「尺度规则 × 粒度」（D1 裁定依据）
- 结论（可引用）：三值化
w → q·τ的统计量必须用 absmean（τ = 组内 mean|w|），不能沿用 llama.cpp TQ1_0 的 absmax。三个真实模型一致：absmean 的三值分布携带 1.567~1.585 bit/权重 （≈log2 3的理论上限），absmax 只有 0.53~1.29 bit（GPT 上 absmax 把 77~84% 权重归零）。 粒度是次要变量：absmean 下 tensor / row / blk256 / 128 / 64 的零化率与重构误差相差 ≤2 个百分点。 - 证据：GPT d128(3.18M) / MNIST ViT d64(198K) / MNIST CNN(108K) 三个真实权重，逐矩阵明细见报告 §3.2。
- 重跑：探针
probe_scale.cpp（只调公开 API）+ 报告 §1。 - 边界：只量权重侧统计量（零化率 / 重构误差 / 信息熵），不含任务准确率；结论是 "统计量选错会浪费 30%~92% 的存储"，不是"absmean 训练效果一定更好"。
| 入库 | 不入库（可重跑，.gitignore 全域忽略） |
|---|---|
报告 *.md、脚本/探针 *.py/*.cpp、汇总 *.csv、图 *.svg |
权重 *.bin、日志 *.log、中间产物 |
每个子目录是一次独立研究/排查的自包含归口（报告 + 脚本 + 汇总数据），互不混写。脚本里的路径
常量按本目录解析（ROOT = 仓库根，三层 dirname），因此从仓库根或子目录执行都应能跑通。
- 建
research/<主题>/并写REPORT.md（或README.md），结论先行：开头一段给出可引用的 结论 + 数字 + 样本量，然后才是过程。 - 单列一节 「本实测不能说明什么」——边界比结论更常被人误用。
- 给出从零复现的入口命令（含构建口径、设备、数据集来源）；原始日志与权重不要进仓。
- 结论若影响代码/设计决策，在
../docs/todo/的相应设计稿里引用本报告 （例：ternary_scale→docs/todo/21-quantized-weights.md的 D1 裁定）。 - 在本文件 §2 加一条索引（结论 / 证据 / 重跑 / 边界 四段式）。