beta=0.5 让两个切分边界重合
ServerApp 与旧版 `FedTrimmedAvg` 都接受范围外的裁剪比例。`beta=0.5` 且客户端更新数为偶数时，`lowercut` 与 `uppercut` 恰好相等；旧逻辑只检查前者是否大于后者，于是空切片继续进入 `np.mean()`，产生 `NaN` 聚合参数。负值同样没有在策略初始化阶段被拒绝，而是延迟到数组分区时才失败。
Flower
—Stars用于构建联邦 AI 系统的开源框架，通过可扩展 Strategy、ServerApp 与 ClientApp 组织跨设备训练和评估，并兼容 PyTorch、TensorFlow、JAX、Hugging Face、scikit-learn 等多种机器学习技术栈。
两端都要裁剪，也必须留下中间样本
FedTrimmedAvg 的 beta 同时作用于上下尾部；边界达到 0.5 时，偶数客户端集合会被完整裁空，并让聚合结果变成 NaN。
CLIENT UPDATES · EVEN COUNT
−4−3−2−11234
beta0.5
cut 50% from each tail8 updates · symmetric tails
BEFORE · EQUAL BOUNDARIES MISSED
lowercut4
uppercut4
partitioned[4:4] → []mean([]) → NaNlowercut > uppercut is false
AFTER · SHARED DOMAIN GUARD0 ≤ beta < 0.5
ServerAppFedTrimmedAvgLegacyFedTrimmedAvgHelpertrim_meanHelper_trim_mean
ValueError before np.partition−0.1 rejected · 0.5 rejected
双尾裁剪要求 0 ≤ beta < 0.5
`beta` 会从分布的上下两端各裁掉同一比例，因此必须满足 `0 ≤ beta < 0.5`，才能保证中央样本集合非空。约束不能只放在公开策略构造器：底层 trimmed-mean helper 也可以被直接调用，ServerApp 与 legacy strategy 又维护两套入口；四个边界必须共享同一参数域，才能避免绕过校验。
策略与底层 Helper 同步前置校验
在 ServerApp 和 legacy `FedTrimmedAvg` 构造器中前置验证 `beta`，并在 `trim_mean()` 与 `_trim_mean()` 内同步校验各自的 cut fraction；非法值立即抛出说明 `[0, 0.5)` 的 `ValueError`，不再依赖 `lowercut > uppercut` 的间接判断。文档同步标明取值区间，参数化回归覆盖 `-0.1` 与 `0.5` 两个边界及两代实现。
非法配置在分区和均值之前结束
非法裁剪配置现在会在策略创建或底层聚合入口明确失败，不会继续执行空切片均值并把 `NaN` 传播到全局模型；合法 `beta` 的分区和聚合路径保持不变。改动覆盖 6 个文件，三组定向测试共 18 项通过，完整 Framework 检查同步通过。