actpred: 两轮代码审计修复与文档合并

- 第 1 轮安全审计修复: F-1~F-10（路径校验、预训练架构修正等）
- 第 2 轮复审修复 11 项: 3 项上轮修复不完整（R01 checkpoint 键校验/
  R02 fused_hidden_dim 值域/R03 pretrained=False）+ 8 项新问题
  （actions.npy 形状校验、帧数警告、CLI 值域校验、stats 形状与路径、
  onnxscript 依赖、归一化语义、解析去重）
- 单元测试由 17 扩展至 51 用例（50 通过 + 1 环境性跳过）
- 审计文档两轮合并至 actpred_CODE_AUDIT_20260808.md，更新 INDEX

docs/INDEX.md

@@ -7,7 +7,7 @@
 ```
 docs/
 ├── INDEX.md                              # 本文件（文档总索引）
-├── security/                             # 安全审计与加固（25 篇）
+├── security/                             # 安全审计与加固（26 篇）
 ├── reviews/                              # 代码审查日志（4 篇）
 └── reports/                              # 分析报告与开发规划（9 篇）
 ```
@@ -57,6 +57,7 @@ docs/
 | libth | [libth_SECURITY_AUDIT_20260804.md](security/libth_SECURITY_AUDIT_20260804.md) | C++ 线程库（Thread、Cv_wait、Fsm） |
 | aibox | [aibox_SECURITY_AUDIT_20260801.md](security/aibox_SECURITY_AUDIT_20260801.md) | Python AI 智能体系统（WebSocket） |
 | BotOps | [BotOps_SECURITY_AUDIT_20260801.md](security/BotOps_SECURITY_AUDIT_20260801.md) | BotOps 运维控制面板 |
+| actpred | [actpred_SECURITY_AUDIT_20260808.md](security/actpred_SECURITY_AUDIT_20260808.md) | Python 动作预测模块（PyTorch 训练/推理、.mt 解析、ONNX 导出） |
 
 ---
 
@@ -66,7 +67,7 @@ docs/
 |------|------|
 | [core_CODE_REVIEW_LOG_20260730.md](reviews/core_CODE_REVIEW_LOG_20260730.md) | Core 模块代码审查日志（2026-07-30，自动化审查） |
 | [DEPLOY_DEFECT_AUDIT_20260806.md](reviews/DEPLOY_DEFECT_AUDIT_20260806.md) | 部署缺陷审查（2026-08-06，首次原生部署实录，含修复记录） |
-| [actpred_CODE_AUDIT_20260808.md](reviews/actpred_CODE_AUDIT_20260808.md) | actpred 模块代码审计（2026-08-08，PyTorch 动作预测，16 项发现，全部修复） |
+| [actpred_CODE_AUDIT_20260808.md](reviews/actpred_CODE_AUDIT_20260808.md) | actpred 模块代码审计（2026-08-08，两轮合并：第 1 轮 16 项 + 第 2 轮复审 11 项，共 27 项全部修复） |
 | [bot4cj_CODE_AUDIT_20260808.md](reviews/bot4cj_CODE_AUDIT_20260808.md) | bot4cj 模块代码审计（2026-08-08，仓颉机器人硬件脚本解析器，15 项发现，待修复） |
 
 ---

docs/reviews/actpred_CODE_AUDIT_20260808.md

@@ -1,8 +1,11 @@
-# actpred 模块代码审计报告
+# actpred 模块代码审计报告（第 1 轮 + 第 2 轮复审）
 
 > 审查日期：2026-08-08 (Asia/Shanghai)
 > 审查人：Automated Review
 > 审查范围：`actpred/` 全模块（Python，PyTorch 动作预测神经网络）
+>
+> **文档合并说明**：本文档为两轮审计的合并版——第 1 轮（16 项发现，全部修复）见 §二~§七；
+> 第 2 轮复审（11 项发现，含 3 项上轮修复不完整，全部修复）见 §八。
 
 ---
 
@@ -345,3 +348,135 @@ OK
 ---
 
 *本报告由自动化代码审计生成，供开发团队参考。修复建议需结合实际场景评估。*
+
+---
+
+## 八、第 2 轮复审（2026-08-08）
+
+> 前置文档：[第 1 轮安全审计](../security/actpred_SECURITY_AUDIT_20260808.md)（10 项发现，全部标记已修复 ✅）
+
+### 8.1 复审方法
+
+本轮采用**静态通读 + 动态验证**：除逐文件复查全部源码外，对疑点编写了针对性复现脚本（checkpoint 畸形 config、值域校验边界、数据形状不匹配、CLI 越界参数等），**所有结论均以实测输出为准**，不采信审计文档的"已修复"标记。
+
+实测环境：Intel Xeon E3-1200 v2, Linux 24.04, PyTorch CPU-only。第 1 轮审计后测试已扩展至 **39 用例（38 通过 + 1 环境性跳过）**。
+
+### 8.2 复审结论摘要
+
+| 类别 | 数量 | 说明 |
+|------|------|------|
+| A 类：上轮"已修复"标记与实现不符（修复不完整/未覆盖） | 3 | ACT-R01 ~ ACT-R03，均涉及安全审计 F-3 / F-8 的修复遗漏 |
+| B 类：新发现问题 | 8 | ACT-R04 ~ ACT-R11，数据校验、CLI 校验、部署约定、文档缺口 |
+| **合计** | **11** | 无 P0/P1，全部为 P3 级；安全评级维持 **B+**；**全部已修复 ✅** |
+
+模块仍为离线 CLI 工具（不监听端口、不联网、输入均来自本机可信路径），无远程可利用漏洞。本轮问题集中在**输入健壮性、修复覆盖完整性、部署约定文档化**。
+
+### 8.3 A 类：上轮修复项复审（3 项）
+
+#### [ACT-R01] checkpoint config 多余键仍抛裸 TypeError（F-8 声称已修复，实际未修复）🟡 P3 ✅ 已修复
+
+- **位置**: `predict.py`、`export_onnx.py`（`DataConfig(**cfg_dict["data"])` / `ModelConfig(**cfg_dict["model"])`）
+- **上轮声明**: 安全审计 F-8 描述为"多余键触发裸 TypeError"，修复项为新增 `validate_config_values()`，结论"已修复 ✅"
+- **实测**: 向 checkpoint config 的 `data` 段注入未知键 `evil_extra_key`，加载时抛 `TypeError: DataConfig.__init__() got an unexpected keyword argument 'evil_extra_key'`。`validate_config_values` 在 `DataConfig(**...)` **之后**才被调用，未知键在构造阶段即崩溃，校验函数根本无法执行。
+- **影响**: 畸形/损坏 checkpoint（或未来 config 结构演进产生的多余键）报错信息不含文件名与上下文；上轮"已修复"结论与实现不符。
+- **修复**: 新增 `parse_checkpoint_config()`，构造前校验键集合，未知键/缺段/非 dict 抛带键名的 ValueError。
+
+#### [ACT-R02] validate_config_values 遗漏 fused_hidden_dim，恶意 checkpoint 可致 OOM（F-8 修复不完整）🟡 P3 ✅ 已修复
+
+- **位置**: `config.py`
+- **实测**: 设 `model.fused_hidden_dim = 10**9`，`validate_config_values` **通过**；构造 `ActionPredictor` 时 `FusionHead` 分配内存抛 `RuntimeError ... DefaultCPUAllocator: can't allocate`。另有 `dropout`（可 <0 或 >1）也未被校验。
+- **影响**: 与 F-8 防护目标（恶意/损坏 checkpoint 防内存耗尽）直接冲突——攻击面同类、防护漏了 `fused_hidden_dim`。
+- **修复**: 校验表补充 `fused_hidden_dim ∈ [1, 4096]`、`dropout ∈ [0, 1]`，并扩展 train 字段校验（lr/val_split/batch_size/epochs/patience/num_workers/max_grad_norm/weight_decay）。
+
+#### [ACT-R03] pretrain_mt.py 未传 pretrained=False，mobilenet 离线预训练仍失败（F-3 修复不完整）🟡 P3 ✅ 已修复
+
+- **位置**: `pretrain_mt.py`
+- **实测**: `model = ActionPredictor(cfg.model, cfg.data)` **未传 `pretrained=False`**。`--backbone mobilenet` 时构造即尝试下载 ImageNet 权重（~14MB）：① 离线/受限网络环境下预训练直接 `RuntimeError`；② 零图像预训练会用 `load_state_dict` 全程覆盖这些权重，下载纯属浪费。
+- **影响**: F-3 的修复只覆盖了"推理/导出"两个入口，遗漏了第三个模型构造入口（预训练）。当前默认 backbone=simple 未触发，属潜伏问题。
+- **修复**: 构造模型传 `pretrained=False`。
+
+### 8.4 B 类：新发现问题（8 项）
+
+#### [ACT-R04] ActionDataset 不校验 actions.npy 列数与 action_dim 一致性 🟡 P3 ✅ 已修复
+
+- **位置**: `dataset.py`
+- **实测**: 构造 6 列 `actions.npy` 配 `action_dim=4`，数据集**加载成功**，样本 `action_history` 形状 (3, 6)；直到训练 `DataLoader` collate 阶段才因形状不一致报错，错误远离数据源头且信息不友好。
+- **修复**: 加载后校验 `actions.ndim == 2 and actions.shape[1] == action_dim`，否则抛带 episode 路径的 ValueError。
+
+#### [ACT-R05] 图像/动作帧数不匹配时静默截断，无任何警告 🟡 P3 ✅ 已修复
+
+- **位置**: `dataset.py`（`n = min(n_frames, n_images)`）
+- **实测**: 12 帧动作 + 8 张图像，数据集静默按 8 帧使用，**尾部 4 帧动作被丢弃且无提示**。
+- **修复**: `n_frames != n_images` 时打印 WARNING（含 episode 路径与数量）。
+
+#### [ACT-R06] 训练 CLI 参数无值域校验，越界值静默接受 🟡 P3 ✅ 已修复
+
+- **位置**: `config.py`（`apply_overrides`）、`train.py`
+- **实测**: `--history-len 0`、`--val-split 2.0`、`--lr -1` **全部静默接受**并进入训练：`history_len=0` 产生空 history 样本；`val_split=2.0` 验证集吞掉全部 episode；`lr=-1` loss 发散。
+- **对比**: `validate_config_values()` 只被推理/导出路径调用，**训练 CLI 完全不校验**——同一份参数两套待遇。
+- **修复**: train.py / pretrain_mt.py 在 `apply_overrides` 后调用 `validate_config_values(cfg.data, cfg.model, cfg.train)`。
+
+#### [ACT-R07] predict.py 加载 action_stats.npy 不校验形状 🟡 P3 ✅ 已修复
+
+- **位置**: `predict.py`
+- **实测**: `action_stats.npy` 形状错误（如 (2, 7) 配 action_dim=4）时加载成功，推理阶段抛难以定位的广播错误 `ValueError: operands could not be broadcast together with shapes (3,4) (7,)`。
+- **修复**: 加载后校验 `stats.shape == (2, action_dim)`，并强制转 float32（兼容 float64 stats）。
+
+#### [ACT-R08] 推理端硬编码 stats 路径约定，config 中 action_stats_path 为死字段 🟡 P3 ✅ 已修复
+
+- **位置**: `predict.py` vs `train.py`、`config.py`
+- **描述**: 训练时 `action_stats_path` 被写入 checkpoint config；但推理端**从不读取该字段**，硬编码从 checkpoint 同目录找 `action_stats.npy`。部署约定（stats 必须与 checkpoint 同目录、同名）未在任何文档说明。
+- **修复**: 推理端优先解析 config 记录的 `action_stats_path`（相对路径按 checkpoint 目录解析），旧 checkpoint 回退同目录约定；README 新增「部署注意」章节。
+
+#### [ACT-R09] README 未说明 ONNX 导出硬依赖 onnxscript，按文档执行直接失败 🟡 P3 ✅ 已修复
+
+- **位置**: `README.md`、`export_onnx.py`、`_set.sh`
+- **实测**: 当前 venv（torch 2.13）执行 `bash _run.sh export` 抛 `ModuleNotFoundError: No module named 'onnxscript'`——torch ≥2.12 的 `torch.onnx.export` 走 dynamo 路径，onnxscript 为硬依赖。
+- **修复**: `_set.sh` 增加 onnxscript/onnxruntime 安装；README 补充依赖说明。
+
+#### [ACT-R10] 预训练-微调归一化语义不匹配（方法论）🟡 P3 ✅ 已修复
+
+- **位置**: `pretrain_mt.py`（全程无归一化）vs `train.py`（`--normalize-actions` 支持）
+- **描述**: 预训练始终在**非归一化**动作空间训练；若微调时开启 `--normalize-actions`，`--init-from` 加载的预训练权重将在**归一化空间**继续训练，输入分布突变。
+- **修复**: README 微调示例注明「预训练权重搭配非归一化微调使用」。
+
+#### [ACT-R11] MTActionDataset 命名误导 + parse_mt_directory 重复解析 3 次 🟡 P3 ✅ 已修复
+
+- **位置**: `pretrain_mt.py`（`n_rows = matrix.shape[1]` 实为**列数**）
+- **描述**: ① 变量名 `n_rows` 取自 `shape[1]`（列数），与直觉相反，易在后续维护中引入行列颠倒 bug；② `main()` 先 `parse_mt_directory` 一次做文件级划分，train_ds / val_ds 构造时又各解析一次全部文件，**同一目录共解析 3 次**。
+- **修复**: 改名 `n_cols`；`MTActionDataset` 新增 `files` 参数复用预解析结果，解析次数 3 次 → 1 次。
+
+### 8.5 测试覆盖缺口（复审确认）
+
+复审时 `test_actpred.py` 39 用例，以下路径无覆盖：checkpoint config 异常结构（多余键/缺段）、`validate_config_values` 的 model/train 字段、`ActionDataset` 归一化正常路径、`actions.npy` 列数不匹配/帧数不匹配、`split_episodes` 边界、`train.py`/`pretrain_mt.py` 的 `main()` 端到端、stats 形状错误。
+
+### 8.6 修复记录（全部 ✅）
+
+> 修复时间：2026-08-08（复审当日）
+> 全部 11 项问题已修复并验证，单元测试由 39 用例扩展至 **51 用例（50 通过 + 1 环境性跳过）**。
+
+| 问题 | 修复内容 | 文件 |
+|------|----------|------|
+| ACT-R01 | 新增 `parse_checkpoint_config()`：校验 config 键集合，未知键/缺段/非 dict 抛带键名的 ValueError | config.py、predict.py、export_onnx.py |
+| ACT-R02 | 校验表补充 `fused_hidden_dim ∈ [1,4096]`、`dropout ∈ [0,1]`，并扩展 train 字段校验 | config.py |
+| ACT-R03 | `pretrain_mt.py` 构造模型传 `pretrained=False`，消除零图像预训练的无谓下载与离线失败 | pretrain_mt.py |
+| ACT-R04 | `actions.npy` 加载后校验 `ndim==2 且 shape[1]==action_dim`，否则抛带 episode 路径的 ValueError | dataset.py |
+| ACT-R05 | 帧数不匹配打印 WARNING（含 episode 路径与数量） | dataset.py |
+| ACT-R06 | train.py / pretrain_mt.py 在 `apply_overrides` 后调用 `validate_config_values(cfg.data, cfg.model, cfg.train)` | train.py、pretrain_mt.py |
+| ACT-R07 | stats 加载后校验形状 `(2, action_dim)`，并强制转 float32（兼容 float64 stats） | predict.py |
+| ACT-R08 | 推理端优先解析 checkpoint config 记录的 `action_stats_path`（相对路径按 checkpoint 目录解析），旧 checkpoint 回退同目录约定；README 新增「部署注意」 | predict.py、README.md |
+| ACT-R09 | `_set.sh` 增加 onnxscript/onnxruntime 安装；README 补充依赖说明 | _set.sh、README.md |
+| ACT-R10 | README 微调示例注明「预训练权重搭配非归一化微调使用」 | README.md |
+| ACT-R11 | `n_rows` 改名 `n_cols`；`MTActionDataset` 新增 `files` 参数复用预解析结果，解析次数 3 次 → 1 次 | pretrain_mt.py |
+
+### 8.7 验证记录
+
+- 全部 51 项单元测试通过（`Ran 51 tests ... OK (skipped=1)`）
+- 复现脚本确认：多余键 → ValueError（含键名）；fused_hidden_dim=10⁹ → 加载期拦截（不再 OOM）；stats 形状错误 → ValueError（含路径与期望形状）；`--lr -1` → CLI 拦截
+- 预训练端到端（3 个 .mt、3 epochs）正常，空验证集保底保存路径正确
+- 推理端 stats 双路径（config 相对路径 / 同目录回退）均验证通过
+- 上轮声称的亮点机制（weights_only、文件级划分、stats 隔离、保底保存等）经复查**均属实**
+
+---
+
+*本文档为两轮审计合并版：第 1 轮（§二~§七）+ 第 2 轮复审（§八），全部 27 项发现均已修复，修复项均经回归验证。*

docs/security/actpred_SECURITY_AUDIT_20260808.md

@@ -0,0 +1,131 @@
+# actpred 安全审计报告
+
+**审计日期**: 2026-08-08
+**审计范围**: `actpred/`（config.py / model.py / dataset.py / train.py / pretrain_mt.py / mt_parser.py / predict.py / export_onnx.py / test_actpred.py / _run.sh / _set.sh / requirements.txt，共 ~1100 行）
+**审计轮次**: 第 1 轮
+**安全评级**: B+
+
+---
+
+## 1. 审计概述
+
+actpred 是动作预测模块（图像 + 动作历史 → 下一动作回归，PyTorch），为**离线 CLI 工具**：不监听端口、不接入 pymsg/HTTP，无对外网络暴露面。攻击面收敛为三类输入：
+
+1. **模型 checkpoint**（`torch.load`，pickle 反序列化风险点）
+2. **训练数据**（`actions.npy` / 图像文件 / `.mt` 脚本）
+3. **依赖供应链**（pip 安装、MobileNetV2 预训练权重下载）
+
+本轮发现 **10 项问题（0 P0 / 0 P1 / 3 P2 / 7 P3）**，全部已修复；另确认 8 项已有良好机制。由于模块不联网、输入均来自本机可信路径，未发现可远程利用的漏洞，问题集中在**功能正确性与方法论**层面。
+
+---
+
+## 2. 发现问题
+
+### F-1: 微调闭环缺失 —— pretrain 完成后打印的命令无法执行 ✅ 已修复
+
+- **等级**: P2（功能性）
+- **位置**: `pretrain_mt.py` L258-259、`train.py`（全文）、`README.md` L46-47
+- **问题**: 预训练结束时提示 `Fine-tune: bash _run.sh train --data-dir ./data --model <path>`，但 `train.py` 的 argparser（`config.build_argparser`）**没有 `--model` 参数**，也没有任何加载预训练权重的逻辑——照提示执行会直接 argparse 报错退出。README 也承认"需修改 train.py 加载逻辑，或手动加载"。预训练产物（`pretrain_best_inference.pt`）目前只能用于直接推理，无法进入微调流程，预训练的核心价值（初始化 action_encoder / fusion_head）落不了地。
+- **修复**: `config.build_argparser` 新增 `--init-from` 参数；`train.py` 模型构造后以 `torch.load(weights_only=True)` + `load_state_dict(strict=False)` 加载预训练权重（打印 missing/unexpected keys）；`pretrain_mt.py` 完成提示 `--model` → `--init-from`；README 微调示例同步更新。验证：现有 pretrain checkpoint 加载后 missing=0、unexpected=0，完全兼容。
+
+### F-2: 预训练 train/val 按样本级随机划分，滑动窗口重叠导致数据泄漏 ✅ 已修复
+
+- **等级**: P2（方法论）
+- **位置**: `pretrain_mt.py` L153-162
+- **问题**: `MTActionDataset` 用滑动窗口采样（步长 1），相邻样本共享 `history_len-1 = 4` 行数据；随后按**样本索引**随机划分 train/val。验证集中几乎每个样本都与某个训练样本高度重叠 → **val_loss 系统性偏乐观**，早停与模型选择基于失真信号（上次预训练的 best val_loss=190.58 可信度打折）。对照 `train.py` 是按 **episode 级**划分（正确做法），预训练未沿用。
+- **修复**: `MTActionDataset` 新增 `file_indices` 参数，只加载指定索引的 .mt 文件；`main()` 改为先 `parse_mt_directory` 获取文件列表，按文件级随机划分（train/val 文件不重叠），再分别构造两个 dataset——每个文件的全部滑动窗口只进一个集合。移除不再使用的 `Subset` 导入。验证：13 个有效 .mt 文件 → 12 train / 1 val（20+2 样本），无跨集窗口重叠。
+
+### F-3: 推理加载 mobilenet checkpoint 会触发 ImageNet 权重网络下载（离线失败 + 无谓供应链面） ✅ 已修复
+
+- **等级**: P2
+- **位置**: `model.py` L29-45（`MobileNetEncoder.__init__`）、`predict.py` L24 / `export_onnx.py` L18
+- **问题**: `MobileNetEncoder` 构造时无条件下载 `MobileNet_V2_Weights.DEFAULT`（ImageNet 预训练权重）。推理/导出路径（`ActionPredictorInference`、`export_onnx`）构造模型后紧接着 `load_state_dict` **完全覆盖**这些权重——下载纯属浪费，且引入两个问题：① 离线/受限网络环境下，backbone=mobilenet 的 checkpoint **无法推理**（构造即抛 RuntimeError）；② 推理路径引入不必要的外部权重下载（供应链面扩大）。当前默认 backbone=simple 未触发，属潜伏问题。
+- **修复**: `MobileNetEncoder` 与 `ActionPredictor` 新增 `pretrained: bool = True` 参数；`pretrained=False` 时传 `weights=None`（不下载 ImageNet 权重，仅初始化架构）。`predict.py` 和 `export_onnx.py` 构造模型时传 `pretrained=False`，训练路径保持默认 `True` 不变。
+
+### F-4: mt_parser 行列不一致静默容错，解析失败静默跳过整个文件 ✅ 已修复
+
+- **等级**: P3（数据完整性）
+- **位置**: `mt_parser.py` L61-67、L85-90
+- **问题**: ① 数据行比表头**短**时，缺失列静默保持 0.0（错误数据混入训练集无告警）；数据行比表头**长**时 `matrix[i, j]` 直接 IndexError；② `parse_mt_directory` 对 `ValueError` 一律 `pass`（无 @Action 块、数值非法等），文件被**静默丢弃**——训练数据缺失无任何日志，且 IndexError 不在捕获范围会直接崩溃。
+- **修复**: 行列不一致时抛带行号的 ValueError；数值解析失败抛带行列号的 ValueError；`parse_mt_directory` 捕获 `Exception`（含 IndexError）并打印 `WARNING: 跳过 .mt 文件 <path>: <reason>`。
+
+### F-5: mt_parser 首行 `-` 占位符填 0.0，与 bot4cj 语义不符 ✅ 已修复
+
+- **等级**: P3（数据保真度）
+- **位置**: `mt_parser.py` L64-65
+- **问题**: bot4cj 中 `-` 表示"沿用上一状态"，首行的上一状态是 `@Servo` 块的初始角度；actpred 解析器对首行 `-` 一律填 0.0。实测 `jump.mt` 首行 `-` 恰好对应 0 值舵机未失真，但这是巧合——初始角非 0 的脚本首行样本会引入错误的(history, target)对。
+- **修复**: 新增 `_parse_servo_init()` 解析 `@Servo` 块的 `max` 列（舵机初始角度）；`parse_mt_action` 根据列名（如 `s1.A` → 查 `s1`）为每列计算初始值，首行 `-` 从对应舵机初始角填充，无映射的列（如 `spk.F`）填 0.0。验证：`jump.mt` 首行 s2.A=180、s4.A=-180 与 @Servo 定义一致。
+
+### F-6: parse_action_history 用 assert 做输入校验，`python -O` 下失效 ✅ 已修复
+
+- **等级**: P3
+- **位置**: `predict.py` L72-73
+- **问题**: 维度校验依赖 `assert`，优化模式（`python -O`）下被剥离，畸形输入将以错误形状进入 `np.array`（可能产生 object 数组或错误广播）。
+- **修复**: 改为显式 `raise ValueError`；同步更新 `test_actpred.py` 中 `test_wrong_dim_raises` 的断言类型（AssertionError → ValueError）。
+
+### F-7: DataRecorder 不校验 action 维度，episode 目录分配非原子 ✅ 已修复
+
+- **等级**: P3
+- **位置**: `dataset.py` L100-120
+- **问题**: ① 构造时接收 `action_dim` 但 `record()` 从不校验 `action.shape`——录错维度的动作会在 `flush()` 时静默写出畸形 `actions.npy`（或 `np.array` 构造 object 数组），下游训练才暴露；② episode 索引通过 glob 扫描 + max 计算，两个并发 Recorder 会分配到同一目录互相覆盖。
+- **修复**: `record()` 增加 `action.shape != (action_dim,)` 校验抛 ValueError；目录创建改为 `mkdir(exist_ok=False)` + `FileExistsError` 重试递增 ep_idx，保证原子性。
+
+### F-8: checkpoint 内嵌 config 未做值域校验 ✅ 已修复
+
+- **等级**: P3（低风险）
+- **位置**: `predict.py` L16-18、`export_onnx.py` L14-16
+- **问题**: `torch.load(weights_only=True)` 已阻断 pickle 代码执行（✅），但 checkpoint 中的 config 字典仍被直接用于建模：恶意/损坏 checkpoint 可设置超大 `image_size`/`history_len`/`cnn_feature_dim` 造成内存耗尽，或多余键触发裸 TypeError。本模块 checkpoint 来源为本机训练产物，实际风险低。
+- **修复**: `config.py` 新增 `validate_config_values()` 函数，对 image_size/history_len/action_dim/cnn_feature_dim/action_hidden_dim 做合理性上限校验（[1,1024] 或 [1,4096]）；`predict.py` 和 `export_onnx.py` 加载 config 后调用校验。
+
+### F-9: venv 实际依赖违反 requirements.txt 版本约束 ✅ 已修复
+
+- **等级**: P3（供应链/一致性）
+- **位置**: `_set.sh` L8-11、`requirements.txt` L5
+- **问题**: 实测 venv 中 `Pillow==12.2.0`，违反 `Pillow>=9.0,<12.0` 上限。原因是 `_set.sh` 先从 PyTorch 源装 torch/torchvision（torchvision 无约束地拉入最新 Pillow），再装 requirements 时未强制降级（或安装顺序导致约束未生效）。声明与实际环境脱节，版本上限形同虚设；且无 hash 锁定。
+- **修复**: `requirements.txt` 中 Pillow 上限放宽至 `<14.0`（torchvision 依赖管理，加注释说明）；`_set.sh` 末尾新增 `pip check` 验证依赖一致性。
+
+### F-10: `--seed` 对 episode 划分不生效 ✅ 已修复
+
+- **等级**: P3（可复现性）
+- **位置**: `train.py` L78-79
+- **问题**: `split_episodes(cfg.data.data_dir, cfg.train.val_split)` 未传 `cfg.train.seed`，函数内硬编码默认 `seed=42`。用户指定 `--seed 123` 时权重初始化、DataLoader 洗牌均变化，唯独 train/val episode 划分不变，可复现性语义不完整（也可视为"划分稳定"的特性，但与参数预期不符）。
+- **修复**: `split_episodes()` 调用处显式传入 `seed=cfg.train.seed`。
+
+---
+
+## 3. 已确认的良好机制
+
+| # | 机制 | 位置 |
+|---|------|------|
+| 1 | `torch.load(..., weights_only=True)`，阻断 checkpoint pickle 反序列化 RCE | predict.py L15、export_onnx.py L13 |
+| 2 | `np.load` 默认 `allow_pickle=False`（numpy ≥1.16.3），npy 文件无 pickle 风险 | dataset.py L41、predict.py L45 |
+| 3 | 归一化统计量只用训练集计算再供验证集复用，避免统计泄漏 | train.py L86-91 |
+| 4 | 空验证集返回 `inf` 不参与 best 比较，避免假 best；并有保底保存 | train.py L56-57、L158-164 |
+| 5 | 图像文件自然排序（`1.jpg < 10.jpg`），避免帧序错乱 | dataset.py L12-14 |
+| 6 | 全局种子固定（random/numpy/torch/cuda + DataLoader generator）、梯度裁剪、早停 | train.py L69-73、L106-110 |
+| 7 | ONNX 导出后自动做数值一致性验证（如安装 onnxruntime） | export_onnx.py L40-52 |
+| 8 | 推理/训练双 checkpoint 分离（best.pt 含 optimizer / best_inference.pt 纯权重），格式互相兼容 | train.py、pretrain_mt.py |
+
+---
+
+## 4. 测试覆盖缺口 ✅ 已补齐
+
+首轮审计时 `test_actpred.py` 仅 17 用例，覆盖自然排序、动作历史解析、模型前向（simple + mlp/gru）、DataRecorder、ActionDataset、config 覆盖机制。以下缺口已全部补齐（现 **39 用例，38 通过 + 1 环境性跳过**）：
+
+- ✅ `mt_parser.py`（新增 7 用例）：正常解析 + `-` 前向填充、首行 `-` 从 @Servo 初始角填充、无 @Action 块 / 仅表头 / 行列不一致 / 数值非法各自抛 ValueError、`parse_mt_directory` 跳过坏文件并打印 WARNING
+- ✅ `pretrain_mt.py`（新增 4 用例）：MTActionDataset 滑动窗口样本数与 target 值、列数 < action_dim 补零、> 截断、`file_indices` 文件级过滤
+- ✅ `ActionPredictorInference` 端到端（新增 6 用例）：checkpoint 保存 → 加载 → 推理（形状/有限性/确定性）、加载权重与保存权重逐张量一致、history 形状错误抛 ValueError、归一化缺 action_stats.npy 抛 FileNotFoundError、恒等统计量（mean=0/std=1）归一化路径与非归一化输出一致、checkpoint config 值域非法抛 ValueError
+- ✅ `export_onnx.py`（新增 1 用例）：端到端导出并校验产物非空；因当前 venv 缺 `onnxscript`（torch 2.13 的 `torch.onnx.export` 走 dynamo 路径的硬依赖），用 `skipUnless` 环境检测跳过——安装 onnxscript 后自动生效
+- 另补 `validate_config_values`（2 用例）与 DataRecorder 校验/目录原子分配（2 用例）
+
+> 注：当前环境 `torch.onnx.export` 实测报 `ModuleNotFoundError: No module named 'onnxscript'`，即 F-8 之外的独立环境问题——ONNX 导出功能在该 venv 不可用，如需导出请 `pip install onnxscript onnxruntime`。
+
+---
+
+## 5. 结论与修复优先级
+
+actpred 无网络暴露面，无 P0/P1 级安全漏洞；`weights_only=True` 与 `np.load` 默认行为已覆盖两个主要反序列化风险点。核心问题是**功能正确性**：
+
+1. **已修复**（P2）: ✅ F-1 微调加载、✅ F-2 预训练 val 泄漏、✅ F-3 mobilenet 推理离线不可用
+2. **已修复**（P3）: ✅ F-4 解析器静默容错、✅ F-5 首行 @Servo 填充、✅ F-6 assert 校验、✅ F-7 DataRecorder 校验、✅ F-8 config 值域校验、✅ F-9 依赖一致性、✅ F-10 seed 传递
+3. **全部 10 项问题已修复，无遗留项**