图像分类与图像生成：三选排序原型

每道题比较三份可运行配置。先用独立训练确认排序，再让四个模型作答，并用完整局部对照审核公开解释。

题面共用一份完整 base；各选项的 diff 独立相对它。训练、优化器、采样配置全部可还原。训练 seed 只作为重复，不计为新架构。

已测试 41 个题簇、123 个数据实例；20 道主问题通过独立确认，每题另配一道字母置换题。未通过的实例及其对照也完整保留。

图像分类

图像分类 · 首批

18 个题簇，54 个数据实例，207 个候选配置实例。6 道主问题通过确认，另有 6 道字母置换题。四模型收到并核验的回答：45/48。

完整复评中，Opus 为 0/6，6.1-Sol 和 Haiku 均为 3/6，6-luna 为 2/5，另缺 1 道主问题的接口回答。池化与坐标比较需要分清可表达什么、在 300 步内实际学到什么；学习率比较也不能直接套用默认值更稳的经验。只有三个题簇，且同簇数据实例相关，这些结果不足以确定通用模型能力排名。

审核分别检查代码事实、关键因素、因果表述、相邻比较覆盖和答案一致性。可用坐标不保证已学出精确质心；正确排序也可能伴随感受野、参数量或初始权重的事实错误。解释中的机制主张必须与完整局部对照相符。

图像分类 · 补充批

4 个题簇，12 个数据实例，84 个候选配置实例。9 道主问题通过确认，另有 9 道字母置换题。四模型收到并核验的回答：64/72。

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。

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。

图像生成

图像生成 · 首批

18 个题簇，54 个数据实例，162 个候选配置实例。2 道主问题通过确认，另有 2 道字母置换题。四模型收到并核验的回答：14/16。

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。

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。

图像生成 · 补充批

1 个题簇，3 个数据实例，12 个候选配置实例。3 道主问题通过确认，另有 3 道字母置换题。四模型收到并核验的回答：23/24。

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。

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。

如何接着出题

从下方 DSL 复制一个题簇，定义共同数据、三个选项和完整局部对照。编译器会检查配置、参数量、训练预算和代码还原；模型训练与题目评测分开执行。

固定数据 seed、发现与确认训练 seed、排序指标、最小差值和全部比较假设。
运行发现阶段，只用验证集固定顺序；冻结质量展示样本与解释审核标准。
用独立确认 seed 训练全部候选，再对整个预先固定的检验族做 Holm 校正。拒绝的实例保留。
所有通过的主问题及字母置换题进入四模型评测。只重试可证明未产生输出的接口失败。
依据单变量对照和实际诊断审核公开解释；多变量配方只能支持配方层面的结论。

首批与补充批分别控制各自的统计检验族，没有声称跨批联合错误率仍为 5%。数据实例、训练重复和字母置换也不是相互独立的新题。这是受控合成图像原型，不能外推为自然图像分类或通用文生图能力排名。