CHORD FlashSAC：环境、replay 与训练生命周期集成 #2528

目标

为 CHORD 的 Sharpa 双手参考跟踪和 FlashSAC 训练补齐 UniLab 通用能力，使任务能够仅通过官方 entry point、owner YAML 和公共扩展点运行，不在下游维护训练循环或上游特判。

交付方式为一个 integration/chord-flashsac 分支、一个统一 Epic 和一个 Draft PR。

需要补齐的能力

环境与 Manager 生命周期

• mapped Entity 的公开 body ID 与后端 state-row 语义保持一致，不把 world-body ID 误当作状态行。
• state-feedback action 可在每个 physics substep 读取公开状态、更新控制并步进，批量 step 的默认语义保持不变。
• reset、final observation、termination 和 selected-state 生命周期可被任务组合使用。

FlashSAC actor 与优化器

• custom actor 可声明命名 optimizer parameter groups，并设置独立学习率倍率。
• residual mean gain/bias 使用真实 Adam parameter group 和倍率，不以梯度缩放代替。
• LR schedule 与 checkpoint 恢复保留分组语义。
• 非 whole-cycle compiled + AMP 路径预分配并复用梯度，避免连续 update 中梯度失效。

Off-policy replay 与奖励

• 支持配置化 n-step pending window，处理 terminated、truncated 和 final observation，bootstrap 使用固定 gamma 幂。
• 环境发布稳定命名、未加权、pre-dt 的 raw reward terms；replay 可按当前 stage 权重和 dt 重组奖励。
• stage change 只清理 pending window，不清空 replay。
• compact critic replay 只存 critic 相对 actor 的 context 后缀，降低显存占用而不改变采样语义。
• warmup transitions 计入统一 environment-step 预算和课程时钟。

Viser 与评估生命周期

• Viser 支持完成后停止推进并继续显示最终物理状态。
• 与 env.auto_reset=false 配合时，可在 reference-end 或 done 后停留末帧，而不是重新开始 episode。
• 不改变默认无限播放和手动暂停/单步行为。

Curriculum 可观测性

• 通用 Curriculum/* 标量可从 env info["log"] 经 collector queue 传到 OffPolicyLogger 和 TensorBoard。
• 保留 latest state，不把 reset info 误当作逐步等价的训练曲线，也不复用 reward-relabel 的 curriculum stage 信号。

提交结构

1. mapped body state-row 修复。
2. state-feedback physics substep 生命周期。
3. custom actor optimizer groups。
4. n-step、raw-term 和 compact replay，以及统一训练时钟。
5. compiled AMP 梯度保留。
6. Viser 完成后保持末帧。
7. curriculum 指标发布。

工程约束

• 所有能力属于 UniLab 通用 owner 层，不包含 CHORD 任务名或数据集特判。
• 下游只使用公共 API 和官方扩展点，不复制上游训练 loop、不 monkey patch、不读取后端私有状态。
• 保持 device-resident 热路径；日志和 host 传输不得无意进入 step/reset 热路径。
• 每个语义块包含实现、测试和必要文档，不能用 smoke 代替收敛或数值一致性声明。

验收证据

• UniLab make test：2841 passed / 61 skipped。
• CHORD 下游：77 项测试通过，包括真实 Newton reset/step、explicit eval 和配置解析。
• 真实训练已验证多次 optimizer update、n-step/raw-term relabel、compact critic replay、compiled+FP16 路径。
• explicit eval 可到达 reference-end 并保持末帧；curriculum 指标已写入真实 TensorBoard event。

这些结果证明训练与评估链路，不代表 CHORD 已收敛或与参考实现数值完全一致。