生成首批：预算题容易，残差题四模型全错

18个题簇的54个实例均已训练与确认；只有2个实例通过既定显著性和差值门槛。四个模型都答对训练预算题，也都错判深层残差与无残差对照。

• 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

18个出题簇×3个数据种子，共测试54组三选排序；去重后为12个数据集、162个训练配置、25个模型配置。图像为16×16的圆、方形和环；给定位置、尺度，随机生成亮度与纹理。覆盖算子、卷积块、残差、条件注入、扩散目标、训练与采样预算。题面共享完整基准代码，各选项改动独立相对基准。先用4次训练的验证集均值定方向，再用16个新训练种子做测试集配对符号检验、Holm多重比较校正；相邻平均评分差须至少0.003。

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。

固定展示数据种子851901、训练种子200、条件0—7的首张生成图；多样性图展示条件0、1的全部4次生成。主体四列在同一模型上比较两种扩散预测目标与3000/6000步。全部7个预指定模型文件均经独立重新采样核验，未按得分或外观挑图。下文统计使用16个训练种子，单个模型的图片不代表均值。每条件以4张生成图和4张独立参考图计算能量分数，越低越好；同时核查轮廓、背景与条件内变化。

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 108 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 50.0%。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。

原批次只有2道主问题：四个模型均完成2题，各答对1题。训练预算题符合“更多步数”的表面规则；残差题实际是深层无残差→深层残差→浅层残差，四模型都把深层残差排在深层无残差之前。三选随机完整排序基线是1/6，但2题不足以建立模型能力排名。6条完成的字母置换回答中，Haiku改变了残差题两个配置的先后；Sol与Luna各缺同一道残差置换题，无输出失败保留为缺失。

{
  "more_parameters": {
    "admitted": 2,
    "ordered": 0,
    "tie": 2,
    "not_applicable": 0,
    "correct": 0,
    "comparable_pairs": 2,
    "correct_pairs": 2,
    "accuracy_when_ordered": null,
    "accuracy_on_comparable_pairs": 1.0
  },
  "more_training_steps": {
    "admitted": 2,
    "ordered": 1,
    "tie": 1,
    "not_applicable": 0,
    "correct": 1,
    "comparable_pairs": 3,
    "correct_pairs": 3,
    "accuracy_when_ordered": 1.0,
    "accuracy_on_comparable_pairs": 1.0
  },
  "more_sampling_steps": {
    "admitted": 2,
    "ordered": 0,
    "tie": 2,
    "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

14条公开解释均逐条核验。四模型都认出深度和残差的差异，但把残差通常有利于优化的先验套用于当前配置。同深度、同初始权重与输入随机流的无残差模型在15/16个种子上评分更低，且末段训练损失更低；这仍不能证明梯度是唯一原因。部分解释还漏算输入卷积，或把卷积路径感受野误当网络的信息边界：分组归一化跨空间统计，每个像素也已获得坐标与条件。预算题虽然全对，更多训练实际带来轮廓更准、背景泄漏更少，同时条件内方差下降；正确排序不能验证全部多样性或记忆机制叙述。

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 51.3%。逐题范围 50.7%–51.9%。这是字节压缩率，不是 token 压缩率。