fix(actpred): 修复 Hailo HEF 编译链路的输入断连与封装问题

- hailo_infer: 帧输入按 input_layerN 排序绑定（vstream 报告顺序实测
  为 1,5,4,3,2，按报告顺序会 frame1/frame2 错位），新增 --pred-token
- gen_calibration: pred_token 校准改为学习值 ±30% 抖动，修复常量
  校准量化退化（scale=18571.7，任何输入都被量化成 0）
- export_deploy: 新增 --pred-token-out 保存学习值供推理端喂入
- dfc_compile: parser/optimize 后自动检查输入层连通性，断开即报错
- 新增 _npu_test.py（NPU 4 角敏感性复验）与 _onnx_validate.py
  （编译前 ONNX 数值门槛），test_actpred 补乱序帧序用例

actpred/export_deploy.py

@@ -128,6 +128,9 @@ def main():
     parser = argparse.ArgumentParser(description="Export Hailo-friendly ONNX")
     parser.add_argument("--model", required=True, help="checkpoint path")
     parser.add_argument("--output", default="checkpoints/actpred_deploy.onnx")
+    parser.add_argument("--pred-token-out", default=None,
+                        help="保存学习到的 pred_token 到 .npy（HEF 推理端喂入用，"
+                             "配合抖动校准避免常量量化退化）")
     args = parser.parse_args()
 
     checkpoint = torch.load(args.model, map_location="cpu", weights_only=True)
@@ -156,6 +159,11 @@ def main():
     )
     print(f"部署版 ONNX 已导出: {args.output}（{f} 个帧输入 (1,{h},{w},3) NHWC + action_history + pred_token）")
 
+    if args.pred_token_out:
+        import numpy as np
+        np.save(args.pred_token_out, model.pred_token.data.unsqueeze(1).numpy())
+        print(f"pred_token 已保存: {args.pred_token_out} (1,1,1,{model.pred_token.shape[-1]})")
+
     stacked = torch.stack([fr.permute(0, 3, 1, 2) for fr in dummy_frames], dim=1)
     with torch.no_grad():
         orig_out = model(stacked, dummy_history.squeeze(1))