fix(simclr): 续训以配置为准，不再被存档里的超参静默覆盖

optimizer.load_state_dict 会整体覆盖 param_groups，把 lr / weight_decay 连同动量缓冲
一起还原成存档时的值。改了 yaml 再续训，改动会被静默吃掉：配置写 lr=5e-4，
实际仍按存档的 1e-3 训，scheduler.base_lrs 也是旧值。

改为「配置文件是唯一真相源，存档只提供进度」：

- 加载优化器状态前先抄下配置构造出的每组超参，加载后按组写回，只留下动量缓冲；
  按组写回也保住了 build_optimizer 的分组结构（BN 与 bias 那组 weight_decay=0）
- 调度器统一按当前配置重建再快进到已训 epoch，不再恢复存档状态（它带着旧的
  T_max 与 base_lrs）。cosine/step/multistep 都是 epoch 的确定性函数，
  快进与恢复状态等价，因此不存在第二种行为
- 存档里额外记下当时的 optimizer/scheduler 配置，续训时逐项列出差异，
  明确说明按当前配置执行
- 补回归测试：改 lr/weight_decay/总轮数后续训，三者都按 yaml 生效，
  分组结构与动量缓冲不受影响

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

tests/test_simclr.py

@@ -218,7 +218,7 @@ def _make_trainer(tiny_image_dir, work_dir, epochs=4, **cfg_extra):
         **cfg_extra,
     }
     return SimCLRTrainer(backbone, loader, cfg, torch.device("cpu"), work_dir,
-                         resume=cfg_extra.pop("resume", None))
+                         resume=cfg.pop("resume", None))
 
 
 def test_save_state_contains_full_training_state(tiny_image_dir, tmp_path):
@@ -292,8 +292,46 @@ def test_resume_with_a_longer_schedule_rebuilds_the_lr_curve(tiny_image_dir, tmp
     assert lr == pytest.approx(1e-3 * (1 + math.cos(math.pi * 10 / 30)) / 2, rel=1e-3)
 
 
+def test_resume_takes_hyperparams_from_config_not_checkpoint(tiny_image_dir, tmp_path):
+    """续训时 lr / weight_decay / 总轮数一律以 yaml 为准，存档只提供进度。
+
+    回归测试：optimizer.load_state_dict 会整体覆盖 param_groups，把超参连同动量缓冲
+    一起还原成存档时的值——改了配置再续训，改动被静默吃掉。
+    """
+    import math
+
+    work_dir = tmp_path / "run"
+    first = _make_trainer(
+        tiny_image_dir, work_dir, epochs=4,
+        optimizer={"name": "adamw", "lr": 1e-3, "weight_decay": 1e-4},
+    )
+    first.fit()
+
+    resumed = SimCLRTrainer(
+        BACKBONES.build({"name": "tiny_conv", "widths": [8, 16], "depths": [1, 1]}),
+        first.dataloader,
+        {"epochs": 8, "amp": False, "log_interval": 999, "save_interval": 1,
+         "scheduler": {"name": "cosine"},
+         "optimizer": {"name": "adamw", "lr": 5e-4, "weight_decay": 0.05},
+         "projection": {"hidden_channels": 16, "out_channels": 8},
+         "swanlab": {"enabled": False}},
+        torch.device("cpu"),
+        work_dir,
+        resume=work_dir / "simclr_last.pth",
+    )
+
+    groups = resumed.optimizer.param_groups
+    assert groups[0]["initial_lr"] == pytest.approx(5e-4)      # 不是存档里的 1e-3
+    assert groups[0]["weight_decay"] == pytest.approx(0.05)    # 不是存档里的 1e-4
+    assert groups[1]["weight_decay"] == 0.0                    # BN/bias 分组结构没被冲掉
+    assert resumed.scheduler.base_lrs == pytest.approx([5e-4, 5e-4])
+    assert resumed.scheduler.T_max == 8
+    assert groups[0]["lr"] == pytest.approx(5e-4 * (1 + math.cos(math.pi * 4 / 8)) / 2)
+    assert resumed.optimizer.state, "动量缓冲应当保留——那才是真正要续的'进度'"
+
+
 def test_resume_with_same_schedule_restores_state(tiny_image_dir, tmp_path):
-    """总轮数不变时应当直接恢复调度器状态，不重建。"""
+    """总轮数不变时，重建 + 快进的结果应与原调度进度一致。"""
     work_dir = tmp_path / "run"
     _make_trainer(tiny_image_dir, work_dir, epochs=6).fit()