生成补充：3道算子配方题，Opus全部排对

卷积→单层级U-Net→全连接网络的顺序，在3个新数据实例上均通过独立确认。Opus答对3/3；其余三模型均答对0/3，主要错在把U-Net排在卷积前。这是同一题簇的三个实例，不能据此给模型能力作总体排名。

• 数据 受控合成图像
• 题型 三选完整排序
• 训练重复 4 次发现 + 16 次确认
• 计算 360-1 / ophis

给定形状条件，学习随机亮度和纹理

1个题簇×3个新数据种子，共3组三选排序；去重后3个数据集、12个训练配置、4个模型配置。三选为卷积、单层级U-Net和全连接网络，另保留图块注意力诊断；全部使用绝对坐标、相同扩散目标、3000训练步与16反向采样步。完整保留四配置的六组两两对照。4个新训练种子只确定方向，再用16个新种子做配对符号检验；6个相邻假设组成独立Holm检验族，仍要求评分均差至少0.003。题面共享基准代码，各改动独立还原。

排序使用真实采样的 energy score（能量评分）：比较生成图像与独立参考图像的距离，并扣除生成样本之间的距离项。越低越好。四个生成样本和四个参考样本提供有限蒙特卡洛估计。条件形状成功率和多样性另列，不能互相替代。预测目标包括干净图像 x₀、噪声 ε，以及二者的线性组合 v；它们的去噪损失不能直接跨目标比较。图中的 U-Net 是带跳跃连接的单层级下采样与上采样网络。采样使用 DDIM，评分依据 严格适当评分规则。

固定新数据种子852001、训练种子240，展示条件0—7的首张图，以及条件0、1的全部4次生成。图片来自同一组预指定模型文件，未挑选外观；统计使用16次训练。评分同时考虑与独立参考图的距离和条件内变化，越低越好。前三个配置通过独立CPU重采样；注意力诊断的CPU像素差略超原阈值，原GPU独立复算与存档完全一致，保留跨设备限制。

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 6 条冻结假设，校正 p ≤ 0.05，且平均差值至少 0.003。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。

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。

本批一直输出最常见字母顺序可得 33.3%。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。

四模型均完成3道主问题。Opus答对3/3；6.1-Sol、Haiku、6-luna均答对0/3。后三者识别了全连接网络的空间共享劣势，却普遍依赖“更大上下文加跳连更好”的先验，把U-Net排在卷积前。11条已完成的字母置换回答均保持原来的物理配置排序；Luna一条置换回答无输出，单列缺失。随机完整排序基线为1/6；三个实例仍来自同一簇，不当作三种独立机制。

{
  "more_parameters": {
    "admitted": 3,
    "ordered": 3,
    "tie": 0,
    "not_applicable": 0,
    "correct": 0,
    "comparable_pairs": 9,
    "correct_pairs": 0,
    "accuracy_when_ordered": 0.0,
    "accuracy_on_comparable_pairs": 0.0
  },
  "more_training_steps": {
    "admitted": 3,
    "ordered": 0,
    "tie": 3,
    "not_applicable": 0,
    "correct": 0,
    "comparable_pairs": 0,
    "correct_pairs": 0,
    "accuracy_when_ordered": null,
    "accuracy_on_comparable_pairs": null
  },
  "more_sampling_steps": {
    "admitted": 3,
    "ordered": 0,
    "tie": 3,
    "not_applicable": 0,
    "correct": 0,
    "comparable_pairs": 0,
    "correct_pairs": 0,
    "accuracy_when_ordered": null,
    "accuracy_on_comparable_pairs": null
  }
}

正确排序和可靠解释需要分别核验

23条公开解释已逐条审核。Opus抓住了实际代码差异：U-Net全部非线性卷积块在8×8上运算，恢复到16×16后只有线性卷积，输入跳连也只经过线性卷积；这个判断比按架构名称预测更具体。它仍有事实误读，包括若干次将全连接输入写为11或14通道，实际为17；首题还漏掉纹理潜变量。线性读出能组合非线性特征，不能据此断言精确边界无法表达；没有空间共享也不等于必须逐位置记忆。其余模型多次承认上下采样可能损失细节，但没有把这条实现特征放在主要位置。正确排序与可靠机制需要分别核验。

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。

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 50.0%。逐题范围 50.0%–50.0%。这是字节压缩率，不是 token 压缩率。