docs: 修正 π̂ detach 失败机制的方向性错误（压低先验逃逸而非抬高自我强化），补充推导要点

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>

docs/01-paper-code-map.md

@@ -24,6 +24,19 @@ flowchart LR
 
 $$\mathcal{L}_{\text{OmniOPD}}(\theta) = -\mathbb{E}_{\hat y\sim\pi_\theta}\Big[\sum_{c=1}^{M}\hat\pi^{(c)}_{\text{teacher}}\sum_{t\in c}\log\pi_\theta(y_t\mid x,y_{<t})\Big] + \beta\sum_{t\in\mathcal{U}} D_{KL}\big(\pi_{\text{ref}}\,\|\,\pi_\theta\big)$$
 
+| 符号                                | 含义                                   | 直观说法                            |
+| --------------------------------- | ------------------------------------ | ------------------------------- |
+| $\pi_\theta$                      | 学生模型（$\theta$ 是它的参数，训练改的就是 $\theta$） | 正在被训练的 0.6B                     |
+| $\hat y \sim \pi_\theta$          | 轨迹是学生自己生成的                           | “on-policy”三个字的全部含义             |
+| $\mathbb{E}[\cdot]$               | 期望                                   | 实践中 = 对 batch 里采样出的轨迹求平均，没有更多玄机 |
+| $c$，共 $M$ 个                       | 被熵调度器选中的 chunk（各 $C=50$ 个 token）     | 被“抽查”的 $M=10$ 段                 |
+| $\hat\pi^{(c)}_{\text{teacher}}$  | 式（5）算出的贝叶斯估计，$\in [0,1]$             | 老师对这段的认可度打分                     |
+| $\log \pi_\theta(y_t \mid \cdot)$ | 学生给自己当时生成的那个 token 的对数概率             | SFT 里最熟悉的那个量                    |
+| $\mathcal{U}$                     | 未被抽查的所有 token                        | 轨迹的绝大部分                         |
+| $\pi_{\text{ref}}$                | 训练开始前学生的冻结副本                         | “初始的自己”                         |
+| $\beta$                           | 缰绳松紧                                 | 代码里的 `mc_kl_weight`             |
+
+
 关键设计洞察（§4.1，Theorem 4.1）：teacher 估计 π̂ 以**有界乘子** [0,1] 的身份乘在学生 score function 上，而不是像反向 KL 那样出现在分母/log 里——这从结构上消灭了标准 OPD 的梯度爆炸；而贝叶斯先验保证 π̂ ≥ α·π̄/(N+α) > 0，消灭了"teacher 全不匹配 ⇒ 梯度归零"的监督塌缩。
 
 ## 2. 参考实现的真实形态：一个 trainer，三代方法
@@ -74,7 +87,7 @@ $$\bar\pi_\theta^{(c)} = \Big(\prod_{t\in c}\pi_\theta(y_t\mid\cdot)\Big)^{1/C}
 
 代码在 `_compute_chunk_ebopd_loss` 内 L2194-2202：先验 `pi_bar = exp(mean(chunk_lps.detach()))`（几何均值，与式 4 严格一致），`pi_hat = (k + chunk_alpha·pi_bar)/(chunk_mc_samples + chunk_alpha)`，随后 clamp 到 [1e-8, 1] 并 detach。
 
-> **detach 是命门**：先验和 π̂ 都必须切断梯度，否则学生会通过抬高自己的先验来自我强化（reward hacking 式塌缩）。配置里 `mc_nll_weight`（L246）的注释明确警告开启会塌缩，默认 0。这一点论文只隐含在"π̂ 是目标而非变量"里，代码把它变成了硬约束。
+> **detach 是命门**：先验和 π̂ 都必须切断梯度（L2196、L2201）。若留梯度通路，损失 π̂·|Σlog π_θ| 中 π̂ 也随 θ 可动，最速下降方向变成**压低**学生对自己 token 的概率、把乘子 π̂ 推向 0（p·ln(1/p)→0，指数快过对数）——在 teacher 全否定（k≈0）的 chunk 上损失可一路逃逸到 0，贝叶斯安全底 α·π̄ 被优化器亲手拆除，Theorem 4.1(a) 的梯度有界性也随之失效（多出的 ∇π̂ 项与惊讶度成正比）。相邻的另一个陷阱：`mc_nll_weight`（config L246-252）给非 MC 位置加自身 NLL 正则，帮助文本明确警告 "non-zero values cause self-reinforcement collapse"（无条件复读自己→熵塌缩），默认 0——两者是方向相反的两种自指失败。论文只隐含在"π̂ 是目标而非变量"里，代码把它变成了硬约束。
 
 对应理论：Theorem 4.1(b) 下界 π̂ ≥ α·π̄/(N+α) > 0；4.1(c) 偏差-方差分解，α 是噪声-偏移旋钮；Theorem 4.2 证明 N=10 是方差收益的甜点。
 
@@ -146,3 +159,5 @@ KL 锚（`mc_kl_weight` = 论文的 β，config L284，**默认 0**）实现与
 4. 实现的 KL 锚与论文式(8)有哪三处差异？
 5. API teacher 路径为什么强制 char 级编辑距离？分叉点为什么要对齐词边界？
 6. `no_bayesian` 消融等价于论文里的哪个估计器？§4.1 预言它会怎么失败？
+
+