diffusion_policy/docs/superpowers/specs/2026-03-29-pusht-imf-attnres-design.md

PushT Image iMF AttnRes Design

Goal

在现有 PushT 图像 iMF full-attention 路线之上，引入 attn_res 仓库中的 Full AttnRes 残差聚合形式，并同步使用与其匹配的 RMSNorm + 自注意力 + SwiGLU FFN 模块，保持 iMF 训练目标与一步推理语义不变，仅作用于本次实验链路。实现完成并验证后，启动与此前相同的 9 组 n_emb × n_layer 扫描（350 epochs, seed=42, SwanLab online, 无视频记录）。

Scope

本次工作仅覆盖：

1. 为 IMFTransformerForDiffusion 增加一个 AttnRes-backed backbone 变体；
2. 保持 forward(sample, r, t, cond=None)、iMF loss、一步推理策略接口不变；
3. 新增独立 PushT 图像配置用于该变体；
4. 复用本地 5090 + 远端 5880 双卡三路并行调度 9 组实验。

不在范围内：

• 不替换已有 vanilla iMF/full-attn 配置；
• 不修改 DiT baseline；
• 不增加视频日志；
• 不扩大到多 seed。

Recommended Approach

采用“在当前 iMF 模型内增加可选 AttnRes backbone”的方式，而不是新建独立 policy 链路。

理由：

• policy / workspace / loss / sampling 路径已经被验证，保留这些路径可最大程度缩小变动面；
• 仅在模型内部切换 backbone，可以让新实验与既有 iMF 结果保持可比；
• 配置上只需显式打开 backbone_type=attnres_full、causal_attn=false 等开关，复现实验更直接。

Architecture

1. Backbone split

IMFTransformerForDiffusion 保留现有 vanilla encoder/decoder 实现为默认路径，并新增 attnres_full 路径：

• vanilla：保持当前实现不变；
• attnres_full：使用单栈式全注意力 Transformer，输入 token 序列为 [r token, t token, obs cond tokens..., action/sample tokens...]。

模型只对末尾的 action/sample token 位置输出 u 预测，前置条件 token 仅参与上下文建模。

2. AttnRes stack

新 backbone 使用以下模块：

• RMSNorm
• Rotary Position Embedding（用于自注意力 q/k）
• GroupedQueryAttention（本实验默认 n_kv_head=1，与单头配置兼容）
• SwiGLU FFN
• AttnResOperator（每个子层一个 pseudo-query，执行 full depth-wise residual aggregation）

每个 transformer block 由两个子层组成：

1. self-attention 子层
2. FFN 子层

每个子层的输入不再是简单 x + f(x)，而是从 embedding 与全部历史子层输出中通过 Full AttnRes 聚合得到 h_l，再执行 RMSNorm(h_l) -> sublayer_fn(...)。

3. Conditioning and token flow

• sample 先经 input_emb 映射为 action tokens；
• r 和 t 各自经 SinusoidalPosEmb + linear 映射为两个条件 token；
• 图像观测编码后的 cond 通过 cond_obs_emb 映射为 obs tokens；
• 拼接后的完整 token 序列进入 AttnRes stack；
• 输出时切掉前置条件 token，仅保留 action/sample token 段，随后经 RMSNorm + head 得到最终 u。

4. Attention mode

本次实验链路固定为 non-causal full attention：

• causal_attn=false
• 不构造 causal mask
• 所有 token 可彼此双向可见

这与用户指定的“训练过程仍然使用全注意力（不加因果注意）”一致。

Config and Logging

新增独立配置文件，例如：

• image_pusht_diffusion_policy_dit_imf_attnres_full.yaml

该配置需要：

• 指向现有 IMFTransformerHybridImagePolicy
• 显式开启 AttnRes backbone 相关参数
• 设置 policy.causal_attn=false
• 保持 logging.backend=swanlab、logging.mode=online
• 运行时通过覆盖保证：
  • logging.name=<unique_run_name>
  • logging.group=imf_pusht_attnres_arch_sweep
  • exp_name=<unique_run_name>
• 保持 task.env_runner.n_test_vis=0 与 n_train_vis=0，仅记录标量

Experiment Matrix

固定 9 组：

• n_emb ∈ {128, 256, 384}
• n_layer ∈ {6, 12, 18}
• seed=42
• training.num_epochs=350

Scheduling

沿用之前验证过的三队列分配：

• 本机 5090：384x18, 256x6, 128x6
• 5880 GPU0：384x12, 256x12, 128x12
• 5880 GPU1：384x6, 256x18, 128x18

每个 run name 编码 backbone 与结构，例如： imf_attnres_emb256_layer12_seed42_5880gpu0

Verification

实现阶段至少验证：

1. 新配置的 SwanLab 命名与 causal_attn=false 正确；
2. 新 backbone 的 forward shape 与 configure_optimizers() 可用；
3. 旧 vanilla 路径测试不回归；
4. training.debug=true smoke run 可以完整通过。

Success Criteria

1. 新 AttnRes iMF 变体在本分支可训练、可一步推理；
2. 不影响已有 vanilla iMF/full-attn 链路；
3. 9 组实验成功在三张卡上正式启动；
4. SwanLab run 名称唯一，无冲突；
5. 不记录视频，仅记录标量。