research: lock AttnRes gradient runner

research/K3_ATTNRES_GRADIENT_SCALE_PROTOCOL.md

@@ -111,6 +111,11 @@ diagnostic 16 windows，分别由标签 `validation-window` / `diagnostic-window
 全部 bias-free linear 与 embedding 初始化为 `N(0,0.02)`。attention output projection 与 MLP
 down projection 的标准差为 `0.02 / sqrt(2×depth)`；普通 RMSNorm 为 1。
 
+数值精度进一步固定为：attention / MLP 线性分支受 BF16 autocast；embedding、Baseline hidden
+residual stream 与 Block aggregation partial 都以 FP32 累加。也就是说，Block 每个 BF16
+branch output 在进入 `partial` 前显式转为 FP32。这样两种结构被捕获的 `h_l` 都是 FP32，
+不会把 residual accumulator 精度差异混进梯度形状对比。
+
 ### 4.2 深度与 Block AttnRes 聚合
 
 | Transformer depth | residual sublayers | aggregation groups | sublayers/group | Transformer blocks/group |
@@ -186,8 +191,9 @@ step 0, 100, 500, 2,000, 4,000, 8,000
 | Baseline | attention residual 与 MLP residual 都完成后的 hidden state |
 | Block | MLP branch 已加入、本 aggregation partial 可能保存/reset **之前**的 partial |
 
-所有 `h_l.shape = [16,256,192]`。实现必须为 diagnostic forward 返回独立引用列表，不允许捕获
-reset 后的零张量，不允许把 8 个 aggregation sources 当成 16 / 32 个 Transformer outputs。
+所有 `h_l.shape = [16,256,192]`、dtype 为 FP32。实现必须为 diagnostic forward 返回独立
+引用列表，不允许捕获 reset 后的零张量，不允许把 8 个 aggregation sources 当成 16 / 32 个
+Transformer outputs。
 
 ### 6.2 diagnostic loss 与 gradient magnitude