NFHH/lingbot-robotwin-strong-scratch22k-cont8k

LingBot-VLA 2.0 RoboTwin clean-only: strong_scratch22k_cont8k / global_step_8000

• 权重：03_模型权重/checkpoint/strong_scratch22k_cont8k/checkpoints/global_step_8000/hf_ckpt （推理服务从 hf_ckpt/../../../lingbotvla_cli.yaml 读取训练配置，请保持目录层级）
• 训练配置：03_模型权重/checkpoint/strong_scratch22k_cont8k/lingbotvla_cli.yaml（训练实际生效的完整配置）
• 代码：02_代码材料/（说明见其中的 README.md）
• 校验：SHA256SUMS.txt
• 训练只使用 RoboTwin 2.0 Aloha-AgileX 50 个任务的 clean 数据，没有使用 randomized 数据。

归一化统计量（评测前必读）

• 本模型训练用的归一化统计量是 02_代码材料/configs/norm_stats/robotwin_clean.json （SHA256 92b37257234b37c8…）。它只用 RoboTwin 2.0 Aloha-AgileX 50 个任务的 clean 数据（每任务 50 条）计算， 用官方脚本 scripts/compute_norm_stats.py 生成，归一化方式为 bounds_99_woclip（按 1% / 99% 分位数 q01 / q99 缩放）。
• 它和官方的 assets/norm_stats/robotwin.json 不同：官方文件是用 clean + randomized 数据一起算的。 部分机械臂关节的 q01 / q99 相差 0.2 到 0.29 rad。例如第 6 维的 q99：官方 1.600，我们 1.471； 第 7 维的 q99：官方 0.995，我们 1.195。 比赛规定 randomized 数据不得以任何形式参与训练，所以我们没有使用官方统计量。
• 推理和评测时必须使用这份统计量：把 03_模型权重/checkpoint/<run>/lingbotvla_cli.yaml 中的 data.norm_stats_file（以及 robot config 里的 norm_stats，如果用到）改成本文件在你机器上的路径。 yaml 里其他 /scratch/yy5091/... 路径是训练集群的路径，推理时只需要统计量文件和 Qwen3-VL tokenizer（环境变量 QWEN3VL_PATH）有效。
• 如果换成官方 robotwin.json，模型输出的动作会被系统性地换算错。实测同一个模型（40k+10k）的成功率， 从 clean 约 77% / randomized 约 40%，掉到 9% / 13.6%。