# EasyCom：先跑 encoder-only A / V / AV 对照

复用已经提取的 Qwen 局部编码器特征，不输入 Thinker hidden states，不重提音频或视频，
不创建软链接。原 B1 的 `audio / visual / av` 分别是 **G+A / G+V / G+A+V**；
这里的新结果命名为 `encoder_audio / encoder_visual / encoder_av`，分别只有 **A / V / AV**。

固定训练 Session **4–12（升序，与原 B1 一致）**，测试 **3/2/1**；4 epochs、无 dev，
评测最后一轮。沿用原来的 5Hz 行索引、十个 horizon、LSTR-MCE 和 AP 协议，不改变标签。

已收到的 seed 0 结果与完整日志见
[2026-08-28 实验记录](../results/easycom_encoder_only_1s_4ep_2026-08-28/README.md)。
其中完整曲线为 `egospeak_full_timeline`，此前主表为 `causal_valid_only`，两者分开记录。

## 1. 确定已经验证过的局部特征目录

用户已确认本次使用的实际目录是
`/data1/yfzx/wangx/Datasets/easycom/omni_features/local_qwen_1s_encoded_tf4576`，
不是早期默认的 `local_qwen_1s`；以下 checkpoint 读取方法可用于再次核对。

在 L20 机器更新本次代码后执行。下面从你之前跑完的 `av_seed0.pth` 读取实际路径，
避免猜错目录或混入 bbox 修正前的旧视觉特征；checkpoint 仅用于找路径，不作为新模型输入。

```bash
cd /data1/yfzx/wangx/Code/icassp2027-experiment
DATA_ROOT=/data1/yfzx/wangx/Datasets/easycom

LOCAL_ROOT=$(python - <<'PY'
from pathlib import Path
import torch

checkpoint = Path("checkpoints/easycom_local_b1_encoded_tf4576/av_seed0.pth")
p = torch.load(checkpoint, map_location="cpu", weights_only=False)
value = p["training_config"]["local_feature_root"]
if not value:
    raise ValueError("This checkpoint has no local-feature root")
root = Path(value).expanduser().resolve()
if not root.is_dir():
    raise FileNotFoundError(root)
print(root)
PY
) && printf 'LOCAL_ROOT=%s\n' "$LOCAL_ROOT"
```

如果 checkpoint 已移动，修改上述路径；也可以直接将 `LOCAL_ROOT` 设成以前
`easycom_local_b1_encoded_tf4576` 实验实际使用的局部特征目录。
必须包含完整的 `Session_1.pt` 到 `Session_12.pt`，不能用 `local_smoke_encoded`。
下面命令对空变量和缺文件会报错，不会自动重提特征或换成 Thinker 输入。

## 2. 先做 seed 0，三组前台顺序运行

单张空闲 L20 足够先跑这组小 head，无需启动八卡提取或安装新的依赖。
下面先 A、再 AV、最后 V；使用同一批冻结特征，仅改变输入模态。

```bash
(
  set -euo pipefail
  : "${DATA_ROOT:?Set DATA_ROOT first}"
  : "${LOCAL_ROOT:?Set the verified local-feature directory first}"
  export CUDA_VISIBLE_DEVICES=0
  export OMP_NUM_THREADS=4 MKL_NUM_THREADS=4 OPENBLAS_NUM_THREADS=4

  for modality in audio av visual
  do
    ENCODER_ROOT="${DATA_ROOT}/omni_features/encoder_only_${modality}_1s"

    python prepare_encoder_only_features.py \
      --dataset easycom \
      --data-root "$DATA_ROOT" \
      --local-feature-root "$LOCAL_ROOT" \
      --modalities "$modality" \
      --output-root "$ENCODER_ROOT"

    python run_easycom_encoder_only.py \
      --data-root "$DATA_ROOT" \
      --feature-root "$ENCODER_ROOT" \
      --modalities "$modality" \
      --seeds 0
  done
)
```

两条 Python 命令都支持 `--dry-run`。整理的 dry-run 只验证源文件，不生成训练输入；
训练的 dry-run 则需要已完成的导出目录，只打印训练／评测命令，不启动训练。

整理在 CPU 上完成：读取原生向量＋有效性标志，校验全部 12 sessions、时间/索引、
配置一致性和 target 长度，逐文件保存，最后写出 `complete.txt`。
默认 target 是 `$DATA_ROOT/easycom_target_frame`，可用 `--target-root` 覆盖。
不使用 Ego4D manifest。新入口和 `--dataset easycom` 不影响已有 Ego4D 命令。

输出：

- 特征：`omni_features/encoder_only_audio_1s`、`encoder_only_av_1s`、`encoder_only_visual_1s`。
- 模型：`checkpoints/easycom_encoder_only_1s/encoder_<modality>_seed0.pth`。
- 评测：`results/easycom_encoder_only_1s/encoder_<modality>_seed0/metrics.json` 和 `pred/`。

导出目录、checkpoint 或结果目录已存在时**拒绝覆盖**。不要重新跑整个循环来补 seeds；
保留已完成的导出，只运行下面的训练入口。
若某次导出中断、没有完成标记，请使用新的 `--output-root`，不要手动补标记。
训练中断后换新的 `--checkpoint-root` / `--result-root`；不会自动恢复半成品训练。

## 3. 打印结果，随后补 seed 1/2

```bash
python summarize_local_baselines.py \
  --root results/easycom_encoder_only_1s \
  --dataset easycom \
  --protocol causal_valid_only
```

请贴出三行 `encoder_audio_seed0`、`encoder_av_seed0`、`encoder_visual_seed0`。
原来的 81.72257 / 82.02661 / 73.47412 是 **G+A / G+A+V / G+V** 的 0.2s mAP，
不能标为 encoder-only。比较时使用相同 seed 和同一 `causal_valid_only` 协议。

第一轮确认能跑通后，补齐三个种子（不重新导出）：

```bash
(
  set -euo pipefail
  : "${DATA_ROOT:?Set DATA_ROOT first}"
  export CUDA_VISIBLE_DEVICES=0
  export OMP_NUM_THREADS=4 MKL_NUM_THREADS=4 OPENBLAS_NUM_THREADS=4
  for modality in audio av visual
  do
    python run_easycom_encoder_only.py \
      --data-root "$DATA_ROOT" \
      --feature-root "${DATA_ROOT}/omni_features/encoder_only_${modality}_1s" \
      --modalities "$modality" \
      --seeds 1 2
  done
)
```

## 实验能回答什么

它测的是“Qwen 编码器近期 readout 本身的预测能力”，不是严格相同容量的 Thinker 消融。
3B 的 A/V 原生各 2048D；带有效性位后单模态 2049D、AV 4098D，
顺序是 `[visual, visual_valid, audio, audio_valid]`。不用 B1 的额外 256D 分支投影；
沿用原 MLP 类，隐藏宽度为输入维度整除 2，因此单模态 1024、AV 2049。
窗口、视觉 crop/视野和 head 参数量与原 Thinker 基线不同，应一起报告。

batch=512、lr=7e-5、weight_decay=5e-5、warmup_epochs=1.6、warmup_factor=0.3、
dropout=0.2、transition_objective=none。目录名 `1s` 不覆盖源文件的窗口配置，
真实窗口保存在导出 `config.encoder_contract.config`；时间含义完全沿用源特征。

本地 CPU 回归包括全部 12 sessions 的三模态导出、精确数值／时间对齐、缺文件和 partial 拒绝、
固定 split 顺序、无 Thinker 依赖，以及三个模态各 4 epochs 的合成数据训练／推理。
真实 EasyCom 精度和 L20 耗时由上述实验验证，不由这些测试推断。

```bash
python -m unittest -q test_easycom_encoder_only test_encoder_only_workflow
```