图像分类补充：算子、形状与分块

4个题簇、12个实例中，9个实例通过独立确认，形成9道三选排序题及9道字母重排。新增证据覆盖短预算算子学习、形状泛化与无位置编码的分块；残差与归一化位置的3个实例未通过，保留原结果。

从受控图像构造可复现的分类任务

数据 seed 生成独立实例，训练 seed 只重复同一候选；两者分别计数。
数据 seed 生成独立实例，训练 seed 只重复同一候选；两者分别计数。

图像为24×24、两通道、四分类，覆盖相对位置与局部形状。4个题簇在3个全新数据seed上形成12个实例，去重后84个候选、17种模型。比较包括短预算算子学习、形状泛化、无显式位置编码时的图像分块，以及残差与归一化位置；每簇均保留完整局部对照。算子题比较完整训练配方，不解释为参数或算量匹配的单一算子效应。

排序使用独立测试集上的交叉熵，越低越好。分类正确率、训练交叉熵、分布外样本和数据捷径探针用于解释差异，不能事后替换排序指标。

84个候选、16个确认训练seed，共1344次训练全部核验通过。混淆矩阵来自预选数据seed 842901、训练seed 400：位置CNN训练300步，形状mean-pool CNN训练1200步；测试准确率分别为99.22%和91.80%。另图展示这两个固定候选的全部16个seed：测试交叉熵分别为0.0488 ± 0.0271和0.3289 ± 0.4037，±为样本标准差。分布外测试仅作泛化检查。

图像分类质量核验
实际 held-out 测试图，每类取冻结顺序中的第一张。红色表示通道 0，青色表示通道 1；仅为显示，每张图按其最大像素值归一化。位置标签描述红色对象相对青色对象的方向；纹理标签描述波矢方向，条纹与波矢垂直。
图像分类质量核验
预先固定的配置与训练 seed，未按 test 成绩选择。数字为测试样本数，颜色按真实类别逐行归一化；交叉熵越低越好。
图像分类质量核验
每个语境使用预先指定的同一候选、同一数据实例，显示全部 16 个训练 seed。每点代表一次训练，空心方框标记混淆矩阵所用的 seed 400；交叉熵使用对数坐标。单 checkpoint 的好坏不能代替完整 seed 分布。

未通过确认的题目也保留在覆盖图中

发现阶段只用验证集固定顺序。确认阶段使用独立的 16 个训练 seed，对两条相邻比较做单侧配对符号检验。Holm 校正覆盖本批全部 24 条冻结假设，校正 p ≤ 0.05，且平均差值至少 0.005。分类首批、分类补充批和生成批分别定义检验族；未声称跨批联合错误率仍为 5%。它检验训练 seed 上差异方向的稳定性，不是期望均值差的显著性检验。

橙色为通过，灰色为未通过。每行是一个可复用出题簇，每列是一份独立数据实例。
橙色为通过，灰色为未通过。每行是一个可复用出题簇，每列是一份独立数据实例。
全部相邻差值与拒绝原因
实例平均差值校正 p通过
算子 × 学习速度 · 8429010.199870.00036621是
算子 × 学习速度 · 8429010.436240.00036621是
算子 × 学习速度 · 8429020.209690.00036621是
算子 × 学习速度 · 8429020.461620.00036621是
算子 × 学习速度 · 8429030.216480.00036621是
算子 × 学习速度 · 8429030.402120.0020752是
算子配方 × 形状泛化 · 8429011.10410.00036621是
算子配方 × 形状泛化 · 8429012.94570.00036621是
算子配方 × 形状泛化 · 8429021.14380.00036621是
算子配方 × 形状泛化 · 8429023.05550.00036621是
算子配方 × 形状泛化 · 8429031.12780.00036621是
算子配方 × 形状泛化 · 8429032.7130.00036621是
patch × 位置信息保留 · 8429010.286060.00036621是
patch × 位置信息保留 · 8429010.193620.00036621是
patch × 位置信息保留 · 8429020.362880.00036621是
patch × 位置信息保留 · 8429020.194230.0020752是
patch × 位置信息保留 · 8429030.302830.00036621是
patch × 位置信息保留 · 8429030.222820.00036621是
残差 × 归一化位置 · 8429010.702180.0020752是
残差 × 归一化位置 · 842901-0.397561否
残差 × 归一化位置 · 8429020.337490.0020752是
残差 × 归一化位置 · 8429020.407580.11522否
残差 × 归一化位置 · 842903-0.330721否
残差 × 归一化位置 · 8429030.837850.0020752是

完整排序和换字母后的稳定性分开计算

所有通过确认的题都进入四模型评测。重复数据实例和字母置换不是独立新题，下面不报告独立二项置信区间。API 缺失单列；单轮内已返回的错误或格式失败不会重抽。

主问题一次作答。分子为完整排序正确数，分母为已核验回答数；随机完整排序概率为 16.7%。
主问题一次作答。分子为完整排序正确数，分母为已核验回答数；随机完整排序概率为 16.7%。

本批一直输出最常见字母顺序可得 22.2%。这是准入后标签分布的事后描述，不能与事先固定的随机基线混同。

模型主问题完成已有回答模板宏平均可解析回答的两两一致度换字母：一致 / 有效配对
Opus 5.59/988.9%（3/3 簇）96.3%（9 题）8/9
6.1-Sol7/972.2%（3/3 簇）85.7%（7 题）3/6
Haiku 5.59/933.3%（3/3 簇）63.0%（9 题）7/9
6-luna6/922.2%（3/3 簇）55.6%（6 题）1/5

主问题正确数为 Opus 8/9、Haiku 3/9、6.1-Sol 5/7、6-luna 2/6；后两者分别缺2、3个主回答，接口缺失不计错。形状题对 Opus 和 Haiku 均为3/3，但短训关系题与无位置编码分块题能使“CNN更适合图像”“分块越细越好”的直觉失效。已完成主题及重排的候选顺序一致数分别为 Opus 8/9、Haiku 7/9、Sol 3/6、Luna 1/5，说明重排后的复答并不稳定；当前设计不能将变化唯一归因于字母位置。只有3类通过的题簇，不能据此建立总体模型排名。

预先固定的表面规则
{
  "more_parameters": {
    "admitted": 9,
    "ordered": 9,
    "tie": 0,
    "not_applicable": 0,
    "correct": 3,
    "comparable_pairs": 27,
    "correct_pairs": 15,
    "accuracy_when_ordered": 0.3333333333333333,
    "accuracy_on_comparable_pairs": 0.5555555555555556
  },
  "more_training_steps": {
    "admitted": 9,
    "ordered": 0,
    "tie": 9,
    "not_applicable": 0,
    "correct": 0,
    "comparable_pairs": 0,
    "correct_pairs": 0,
    "accuracy_when_ordered": null,
    "accuracy_on_comparable_pairs": null
  },
  "deeper_model": {
    "admitted": 9,
    "ordered": 0,
    "tie": 9,
    "not_applicable": 0,
    "correct": 0,
    "comparable_pairs": 0,
    "correct_pairs": 0,
    "accuracy_when_ordered": null,
    "accuracy_on_comparable_pairs": null
  },
  "larger_kernel": {
    "admitted": 9,
    "ordered": 0,
    "tie": 0,
    "not_applicable": 9,
    "correct": 0,
    "comparable_pairs": 0,
    "correct_pairs": 0,
    "accuracy_when_ordered": null,
    "accuracy_on_comparable_pairs": null
  },
  "residual": {
    "admitted": 9,
    "ordered": 0,
    "tie": 9,
    "not_applicable": 0,
    "correct": 0,
    "comparable_pairs": 0,
    "correct_pairs": 0,
    "accuracy_when_ordered": null,
    "accuracy_on_comparable_pairs": null
  },
  "smaller_patches": {
    "admitted": 9,
    "ordered": 3,
    "tie": 0,
    "not_applicable": 6,
    "correct": 0,
    "comparable_pairs": 9,
    "correct_pairs": 0,
    "accuracy_when_ordered": 0.0,
    "accuracy_on_comparable_pairs": 0.0
  }
}

正确排序和可靠解释需要分别核验

较可靠的解释需要同时识别直接像素加权的学习路径、小数据下的训练—测试差距，以及patch内部像素顺序与跨patch顺序的区别。75步关系题的MLP训练和测试均优于CNN、ViT；形状题中MLP训练交叉熵约0.24，却在测试达到约4，支持泛化困难。无位置编码时大patch更好，加入位置编码后的诊断均值顺序反转，但该诊断未额外作显著性确认。排序答对也可能伴随错误论证：32→32的patch投影不必丢细节；加性四类logits能够判定主导位移方向；AdamW也没有“学习率×步数”的位移硬上界。完整审核保留每条公开原文和对应证据，不将这些总效应说成唯一机制。

模型代码事实支持关键因素支持因果表述不成立
Opus 5.50/90/95/9
6.1-Sol5/73/70/7
Haiku 5.50/90/91/9
6-luna3/61/60/6

解释评分由本次研究 agent 按冻结标准逐条核查，是可复核的定性判断，不是多位专家独立评审的一致意见。这里只统计主问题的公开回答；部分支持、无法判断另存审核记录。关键因素得到局部对照支持，不代表证明了唯一内部机制。下方可逐题检查原话、证据和判断。

16 个确认训练 seed 的平均验证曲线。最终答案按独立测试指标判定。
三项完整配置和测试分布
实际发送的完整题面
完整局部对照：改变什么，测试指标如何变化
这些对照用于描述和核验解释，不是新增的显著性筛选。多字段变化不能归因为其中一个字段；单字段干预也不证明唯一内部机制。测试指标越低越好。
公开解释审核
出题时预先定义的解释目标
共享完整代码保留可还原性
每个 choice 的 diff 都独立相对同一 base，训练、优化器和所有配置改动都显式呈现。自动重建最终完整代码，差异过大时显示完整文件。
本批主问题相对逐选项完整代码，UTF-8 总字节减少 45.1%。逐题范围 42.8%–48.5%。这是字节压缩率，不是 token 压缩率。
结论适用范围