跨后端的 Reward 一致性¶
两个拥有”相同” reward 函数的后端，很少会产生数值上完全相同的 reward —— 这没关系。你想要的是轨迹级别的一致性（trajectory-level parity）：同一个策略， 施加到相同的初始状态上，会产生相似的 reward 曲线。
协议¶
冻结一个固定种子、固定的初始状态、固定的动作序列。 动作序列可以是对各关节的正弦扫频，也可以是来自真实 rollout 的回放 —— 只要是确定性的即可。
在两个后端中回放它。从
info["log"]记录每一步的 reward 分量；当 reward 日志开启时，locomotion 的 reward 分发会在那里写入reward/<term>条目。对每个 reward 项，比较两条时间序列，并检查它们开始分叉的第一帧。
良好的一致性是什么样的¶
项的类型 |
检查什么 |
|---|---|
平滑惩罚项 |
单位、帧以及命令输入是否相同。 |
接触条件项 |
两个后端中的接触时序与传感器可用性。 |
终止惩罚项 |
终止掩码（termination mask）与最终观测（final-observation）路径。 |
哪些是危险信号¶
reward 在 episode 后期出现分叉。 通常意味着策略在每个后端中探索了不同的 状态分布，而这通常又意味着接触 / 摩擦不匹配。参见 在后端之间对齐接触与摩擦。
某个 reward 项在某个后端中恒为零。 能力缺口：该项读取了某个后端不暴露的 特性。参见 能力缺口。
自动化¶
仓库目前没有在 scripts/ 中提供独立的 reward 一致性辅助工具。在新增一致性覆盖时，
让测试贴近 backend/task-owner 边界：组合两份 owner YAML，用固定种子复位，回放一段
确定性的动作序列，并在 tests/ 下对记录下来的 reward 分量做断言。