3. 不要只拦截全押，而要检验全押

下一步不是删除全押按钮，而是让训练与评估区分合理和不合理的全押。先固定一个 tight/exploitative 启发式对手：面对早期全押时弃掉弱牌；牌力和底池赔率支持时跟注；前期采用小额下注；在后期强牌或合理 SPR 下仍进行正当全押。

现有代码已有一道保护条件：

const bool earlyShove = learned == ActType::AllIn &&
    (observation.street < 4 || strength < prior_.allInAbove);

它能检测风险动作并改走其他选择，是降低显性故障的 containment（围堵）措施，却不会修复模型内部价值估计或信用分配。只观察保护开启后的结果，不能证明学习策略已改善。

训练对手也不应只有一个。把 tight、balanced、loose 启发式和历史模型快照组成种群，随机安排座位和对局；固定剥削型对手保留作回归测试。这样能区分“记住一个对手”和“适应多种风格”的策略。

奖励应围绕筹码增长或对数收益，而不是截断后的单一胜负。破产设置独立惩罚；没有充分依据便在前期暴露全部筹码时，施加渐进风险惩罚，但不要惩罚强牌的正当后期全押。使用动作或街次级 advantage 与中间价值估计，比把终局奖励复制到所有步骤更能准确分配信用。

在多个随机种子上至少评估1,000手。记录各街全押率、全押时平均牌力、破产率和弃牌率，以及1,000手期间的筹码中位数。均值可能掩盖少见破产，因此还要保留分布和不确定区间。

成功不等于全押率归零。弱牌早期全押应下降，合理后期全押应保留；对手组合变化时，筹码中位数和生存性仍应改善。只有移除围堵后效果仍存在，才能说学习策略本身真正进步。