12. 认字（中文 + 英文 + 符号）：方案与实测

目标：屏幕给出内容，模型用键盘把它录入。中文打拼音、英文打字母、符号打符号。

#12.1 ★ 实测一：字 → 像素 → 特征格

ConvEnc 下采样 4 次：96 → 6，一格 = 16×16 像素。

diag_glyph_legibility.py（K=48 ASCII，1152 训练 / 384 测试，随机基线 2.1%）：

三条结论：

1. Sobel 边缘层是认字的唯一通道。 只用 raw 单通道 = 2.1%（＝瞎猜），四通道 = 84.6%。 字是细笔画，16× 下采样后 raw 的笔画被平均进背景；边缘把它救回来。 用户当初坚持"Sobel 边缘层还是加上"是对的，这条有 40 倍差距的实测支撑。

2. 英文降低下采样没用（12×12 反而 85.7%、24×24 掉到 81.2%，参数多 14 倍）。 → 英文的结论不可外推到汉字（见 12.2）。

3. 冻结随机编码器 + 线性探针只有 2~19%。强化学习不会重塑卷积核低层特征， 只能用已线性可读的东西 → 纯 RL 从零认字不可行，必须先有视觉预热或教师示范。

#12.2 ★★ 实测二：汉字完全不同（决定性对比）

diag_hanzi_legibility.py（K=200 GB2312 一级汉字，训练宋体 / 测试宋体+黑体+楷体， 随机基线 0.5%）：

第 1 行与第 2 行是同一个 16px 渲染，只换了编码器下采样深度：0.5% → 99.8%。 变量隔离干净：信息在像素里，是 6×6 那张图把它毁掉了。 一个汉字至少要 16×16 像素（GB2312 经典点阵 HZK16 就是 16×16），而 4 次下采样 后一格正好 16 像素 = 一个汉字占一格，一格装不下一个字。

英文与汉字对下采样深度的需求相反：

原因：字母笔画少、笔画间留白大；汉字笔画密、结构相似（日/曰、己/已/巳 只差一笔）， 必须保住空间细节。

★ 坏消息：跨字体泛化很差（同字体 100%，黑体 12~90%，楷体 4~32%）。 它很大程度上在读"宋体的像素"，不是"字的结构"。 → 多字体混合训练不是可选项，是必需的；"换字体准确率"才是真判据。

#12.3 ★ 三个硬碰撞（汉字选择的后果）

#12.4 已定方案（用户逐项确认）

#12.5 任务与奖励

任务（抄写）：屏幕给内容 → 它按键录入。正确串 = 拼音(汉字) 或 字符本身。

奖励：r = −编辑距离(打出的串, 正确串)

★ 这一条把探索问题直接消掉：77 个键是独立 sigmoid，logit=0 时 sigmoid(0)=0.5 → 每刻约 38 个键同时按下。若要求"精确匹配"，纯随机下 需 77 位里恰好一位为 1 → 2⁻⁷⁷，纯 RL 在这样的动作空间里不存在。 而配上编辑距离奖励后，77 个键变成 77 个近乎独立的二分类：对的那个键拿正梯度、 其余 76 个拿负梯度。每个键都有直接信号。 最优策略集合与精确匹配完全相同（距离 0 ⟺ 打对），但不需要老师给答案。

emit 门第一次有了真正的职责：打对之后要闭嘴 —— 否则继续乱按会毁掉已打出的串。 "什么时候不说话"第一次成为一个有后果的决定。

老师（机制 3 教师干预）：a_exec = a_policy + β_t·a_teacher，β: 1→0。 用户明确要求"需要老师来教一下，不然不可能按出来"。

#12.6 判据（事先写死）

#12.7 复现命令

python experiments\diag_glyph_legibility.py --scales 1,2,3,4 --steps 1500
python experiments\diag_hanzi_legibility.py --classes 200 --sizes 16,24,32,48,64 --steps 3000

#12.8 ★ 静默失效：监控页在训练停了以后继续烧 CPU

症状：训练进程早已停了 9 分钟，live3d.html 那个标签页仍以 30fps 重绘。 用户的 Edge 硬件加速是关的（WebGL 走 SwiftShader 软渲染），于是它的 GPU 进程持续吃掉 6.21~6.98 个核（整机 39~44%），GPU 利用率却只有 3%。

根因（两层）：

1. loop() 不管有没有新数据都照画。判断"数据源还活着吗"用的是 "HTTP 还是 200 吗" —— 而看板进程活着时永远回上一次的快照，所以永远 200。 → 必须改用载荷自己的时间戳 updated（Python 侧 time.time()*1000）判新鲜度。

2. ★ 我自己的补丁有个 bug：写成 let dataUpdatedAt = 0 + if (dataUpdatedAt && ...)。 0 是假值 → "从来没收到过数据"时短路，反而永不停止 —— 而那正是最该停的场景。 → 初值必须是 Date.now()。

规则：①监控页必须按数据新鲜度停画，且"从未收到数据"要算作陈旧； ②停画要真的不排下一帧（return 在 requestAnimationFrame 之前）； ③数据回来了要能唤醒；④切后台（visibilitychange）同样停。

教训：Get-Process 的 CPU 增量必须在启动开销落定之后测稳态， 否则测到的是浏览器初始化（本次差点把启动的 39.7 CPU 秒当成渲染开销）。 另：无头验证必须用独立 --user-data-dir，否则会并进用户正在用的浏览器实例。

#12.9 ★★ 实测三：视觉预热（多字体把跨字体准确率救回来了）

experiments/pretrain_vision.py，字符集 247（200 汉字 + 26 字母 + 10 数字

• 11 符号），训练字体 = 宋体/黑体/雅黑/仿宋，留出字体 = 楷体/等线/正黑

（训练时绝不出现），6000 步，batch 128，onset_prob=0.5（一半样本"字刚出现"、 一半"静止"，防止部署时遇到没训过的输入分布）：

（随机基线 0.40%；ckpt 存在 results/ckpt/vision_*.pt）

四条结论：

1. ★ 多字体训练把留出字体从 30.9% 拉到 81.8%（+50.9pp） —— 预登记判据 （≥50%）通过。机制成立：它真的在学「字的结构」，不是「宋体的像素」。 这也把 §12.2 那条坏消息（单字体换字体只有 12~32%）修掉了。

2. cell=24 优于 cell=16（81.8% vs 74.2%，同字体 97.7% vs 94.7%）。 与门禁一致（§12.10：d_min 16px=1、24px=4）。选定 24px 字格， 代价是一屏 4×4=16 字（够放短句，不够放整段）。

3. ★ 4 次下采样在 247 类下完全学不动：损失停在 5.52，而 ln(247)=5.51 正是均匀分布。不是"信息不足"，是优化上完全无法区分 —— 均匀分布就是无信息时的正确最优解，所以"恰好等于随机"是这个regime的 正常表现，不是 bug。这与 §12.2 的 16px/24px 在 4 次下采样下都恰好等于 随机基线完全一致（两个脚本、两套数据、同一个现象）。

4. ★ 我怀疑过是 dying ReLU，实测否掉了：各层激活非零比例 39~55%， 没有塌缩（层0 43.9% / 层2 38.8% / 层4 54.8% / 层6 53.3%）。 所以不能拿"网络死了"解释，就是 6×6 特征图对 247 类不可分。

顺带一个消融：静止输入（event 恒 0）与 onset 输入的最大差只有 0.8pp， 说明编码器没有把 event 层当拐杖 —— raw + edge 已经够用。 （event 层仍有用，§12.1 那条 40 倍差距说的是 raw 单通道不行。）

#12.10 门禁：字符集内在可分辨性（新增前置检查）

experiments/diag_charset_gate.py —— 任何认字实验的前置门禁 （§8.1 可学性阶梯的 L0 变体）。它量三件事，全部与模型无关：

• 无点阵碰撞 → 硬上限 100%，所以判据可以定高（若有两个字点阵相同， 上限就被字形锁死，与容量/步数/lr 全无关，必须先剔除）。

• 16px 是最差的一档：l/1 只差 1 像素，而拼音里 l 很常用。 24px 起 d_min=4、汉字混淆消失 → 这是选 24px 字格的独立依据。

• 7 个系统字体对 247 个字符全部全覆盖（font_coverage 检查），无缺字。 ★ 必须查：缺字的那些类永远是错的，会无声压掉准确率上限。

#12.11 已落地的代码

下一阶段：core/envs/read_screen.py（认字环境，复用 screen_io 与 ForageScreen 的像素/本体感觉管线）→ exp31 抄写任务（老师示范 β:1→0 → 纯 RL，奖励 = −编辑距离）→ 少样本迁移判据。

#12.12 ★★★ 事故记录：一次 shell 往返把源文件写坏了

症状：core/envs/screen_agent.py 全部中文字符串变成乱码，且代码行丢失。

根因（两层，第二层才是真正危险的）

1. Get-Content -Raw 用系统 ANSI（简体中文 = cp936/GBK）去解码一个 UTF-8 文件， 得到乱码字符串；Set-Content -Encoding utf8 又把它按 UTF-8 写回。 净效果 损坏 = utf8(gbk_decode(原文utf8字节))。 而且不是无损的：GBK 解码遇到无法映射的字节对会写成 ?，那个字节永久丢失 （实测丢了 298 字节）。

2. ★★ 丢字节时解码器会把换行一起吃掉，于是下一行代码并进了上一行的注释里。 这一类不报语法错 —— 打开文件看"一切正常"，只是静默少了一行代码。 实测被吞掉的代码有 7 处，包括 KEY_LAYOUT = []、SHIFT_MAP = {...}、 if self.target not in CHAR_INDEX:、LO_ON, LO_OFF = 6.0, -6.0。

恢复方法（顺序即可靠性顺序）

踩到的坑（都值得记）

1. ★ .pyc 未必比源码新。它的头里记着源文件的 mtime/size （实测 2026-09-26 22:59:37 / 28105 字节），用之前必须先核对， 否则会把旧版本当"已知良好"照抄。

2. ★ pyc 里那条自检自身有 bug：反汇编可见它写的是 r2 = env.step(...) （漏了 [1]），于是 r2 是 4 元组、r2 == 0.0 恒为 False —— 它在原版模块上跑也照样 FAIL。我照抄时把这个 bug 一起抄了过来。 → 验证脚本现在把它标为"已知 pyc 测试 bug"，并额外验证修正后的行为。

3. pyc 头部长度：Python 3.7+ 一律 16 字节（我第一版按 flags 分 12/16， 报 bad marshal data）。12 字节是 3.6 及更早。

4. dis.Instruction.lineno 在 3.13+ 改名 line_number（旧名被移除）。
5. 重构引入循环导入：screen_agent 想用 screen_io.type_step， 而 screen_io 又要用 screen_agent 的常量 → 谁先被 import 谁拿到半成品。 → 修法：screen_agent 保持叶子模块（把 type_step 放回拥有键盘的它）， 依赖方向单向：screen_io -> screen_agent。

规则（写进 §11 级的硬约束）

1. ★★ 绝不用 shell 的字符串 cmdlet 往返读写源码（Get-Content/Set-Content）。 要改源码就用 edit 工具，或 Python 且显式 encoding="utf-8"。

2. ★★ 这个项目需要版本控制。一次误操作 = 一个模块全毁，而恢复成本是十几轮工具调用。
3. 用 .pyc 当真相基准前，先核对它的源文件 mtime/size。
4. 只验证"能编译"是不够的：还要数据表逐项相等 + 行为等价。

留下的工具（都可复现）

恢复后的状态：screen_agent 27 项自检全过；与 pyc 数据表 30/30 相等、行为等价。 screen_io 24 项、forage_screen 27 项全过；下游 5 个模块导入正常。

#12.13 认字环境 read_screen（已落地）

屏幕给一个字符，模型用键盘把它录入（汉字→拼音、字母/数字/符号→自身）。 core/envs/read_screen.py，40 项自检全过。

四个踩出来的事实（都写进了自检）

1. ★ 打错一个字母的编辑距离和"什么都不打"相同（替换+插入 ≡ 插入+替换）： d("", "zhong") = d("x", "zhong") = d("xxxxx", "zhong") = 5， 要到 d("xxxxxx") = 6 才变差。→ 错字不超过目标长度时"乱按"与"闭嘴"同分， 塑形奖励是 0 而不是负。对探索是好事（敢试不被罚），但必须知道， 否则会把"没惩罚"误读成"奖励设计错了"。

2. ★ γ 必须真的用上。我第一版直接写 reward += prev_d − d —— 那等于 悄悄把 γ 固定成 1，gamma 参数成了摆设，而"γ<1 时原地不动白得奖励" 这条反向验证也就永远通过（恒真检查 = 没在测东西，§11.14）。 改成标准形式 γ·Φ(s') − Φ(s) 后，γ=0.9 的反向证据才真的能失败。

3. ★ 同刻按多个键时按"键位顺序"产出，不是按下顺序： 同刻按 Z,H,O,N,G 得到 oghzn（按 KEY_LAYOUT 下标排序）。 → 打字必须逐字来（每个字符后补一刻松手，否则不构成 0→1 跳变）。 这也解释了为什么 type_step 里那句边沿检测是地基。

4. ★ 门关时 echo_key 不是 0 而是 ≈emit（0.0025）：screen_io.decode_action 是先阈值后门控（软门，与 ForageScreen 一致），而旧的 ScreenAgent 是 先门控后阈值（门关时恰好 0）。两者都能"关住"（真正决定按键的是 >0.5）， 差别只在本体感觉读数。两个环境约定不同这件事必须记着，否则以后会对不上。

#12.14 ★ 视觉预热的权重怎么装进任务编码器

预热的是纯视觉编码器（prop_dim=0，fc.weight 形状 (256, 4608)）； 任务里的编码器要融合本体感觉（prop_dim=82，(256, 4690)）→ 直接 load 会 size mismatch。

★ 但不能把 fc 丢掉重来 —— 那样预热的卷积特征会被一个随机投影打乱， 预热白做一大半。做法（core/models.py::load_vision_encoder）： 本体感觉那几列初始化为 0，视觉那几列照抄。实测：

载入后输出与纯视觉预热输出最大差 = 0.00e+00   （逐位相同）
换掉本体感觉后输出最大差        = 0.00e+00   （零初始化生效）

即"零初始化新通道"：视觉通路完全保留，本体感觉从 0 开始自己学。

#12.15 当前状态

端到端通路已验证：像素(1,96,96) + 本体感觉(82) → Crystal 4 通道 → 编码器 256 维（含本体感觉融合，可无损装入预热权重）。

下一步：experiments/exp31_read_rl.py —— 抄写任务的 RL 训练 （老师示范 β:1→0 → 纯 RL，奖励 = −编辑距离），判据 = 留出字体准确率、 撤掉老师后的表现、同声旁新字的少样本迁移、emit 门方差 > 0。

#12.16 exp31 认字抄写：首次训练结果与五个静默失效

experiments/exp31_read_rl.py：Crystal + 预热 ConvEnc(n_down=3) + CfC(256, backbone16)

• 策略头/价值头。老师逐刻示范（打歪了示范 Backspace 当场纠正，打完了示范闭嘴），

β:1→0，奖励 = −编辑距离的势能塑形。982 刻/秒（batch16×T16），13 分钟跑完 3000 步。

（"认字"= 看到目标后的第一刻、策略 argmax 的键是否等于老师会示范的键。 不依赖 emit 门 —— 门一塌 first_ok 必然为 0，会把"门没学会"误读成"字没认出"。）

判据逐条

结论：认字通路成立（教学下 52% 全串正确 / 87.5% 首字正确，且空白屏归零）， 但仿放手的 RL 阶段维持不住，且跨字体泛化弱。这两条是下一轮要打的。

#★★★ 五个静默失效（都不报错、不 NaN，只表现为"怎么练都不动"）

1. ★★ EnvGroup.step 返回了新观测却没写回 self.obs，而调用方写的是 _f, _p, r, d, infos = grp.step(...)（把前两个丢了）→ 策略从头到尾看着第 0 刻的黑屏。 现场指纹：sup 收敛到边缘分布（maxlen=1 时 = ln47 = 3.85）； 冻结编码器与不冻结毫无差别；但逐层追踪显示信号一路都在 （像素差 0.95 → 编码器输出差 1.45）。

2. ★★ 同一个 bug 的第二现场：evaluate 里我直接调 env.step() 绕过 grp.step → 评估器也看黑屏。表现是"训练侧模仿对 100%、评估侧认字 1~5%", 极易被误读成过拟合或分布漂移。→ 现在有常量化金丝雀 frame_std 和自检断言盯着它。

3. ★★ 采样与更新不是同一个策略：rollout 每刻调 forward（每次都从 h=0 开始，等价于无记忆），而 update 用整段 T 序列前向（有记忆）。 记录的動作与算出的 log-prob 不对应，REINFORCE 直接是错的。 → 必须用带状态的 step_tick，并加回归检查"逐刻 vs 整段 logits 逐位一致"。 ★ 附带坑：LiquidNet._run_recurrence_step 不能用 —— 它 return h_new 丢掉了 h_next，而 CfC 的"下一状态"是第二个返回值。

4. ★ 第 0 刻老师照着黑屏示范按键：目标字还没出现（onset_tick=1）， 而老师照样教"按 Z" —— 目标每回合都变，这条监督是自相矛盾的， 会主动破坏学习。→ 老师必须知道"看不见就教等"。

5. ★ emit 监督类别极不平衡：一回合 16 刻，而"打一个字"只需 2 刻 → 14 个刻在教"闭嘴"、2 个在教"按键"。不加权 BCE 被沉默淹没，门塌成常数 → 门关着就什么都不打，而 d≈2.4 恰好是"什么都不打"的期望距离， 看起来像"没学会"，其实只是门关着。→ 正例按负/正比加权（上限 20 倍）。

#方法论收获（可复用）

• 分层可量是定位这类 bug 的唯一办法：像素差 → Crystal 差 → 编码器差 → CfC 隐状态差 → logits 差。逐层打印，断在哪一层一目了然。 （本次实测：0.95 → 1.06 → 1.45 → 0.107，而 pi.weight 零初始化使 logits 差 = 0， 那是预期的，不是 bug。）

• ★ sup 卡在 ln(候选数) 就是"完全没用输入"的指纹 —— 那是无信息时的正确最优解（§12.9 第 3 条的同款现象）。

• ★ "训练好、评估差"先怀疑评估器也看错了输入，别急着说过拟合。
• ★ 指标要挑不依赖其它子系统的：first_ok 依赖 emit 门，门塌就恒为 0； key_first_ok（直接比 argmax 键）才是干净的读数。

#12.17 实测四：记忆地平线（假设被否掉的那一次）

动机：exp31 里老师一走认字就从 61.5% 掉到 9.4%。我当时的诊断是 任务设计漏洞——目标字一直显示在屏幕上，每一刻都能重看，记忆是不必要的， 所以长不出记忆。为此给 ReadScreen 加了 hide_after（目标字显示 N 刻后消失）。

做法：拿已经训好、从没见过"字消失"的策略（read_C_pure_imitation.pt， 纯模仿 3000 步）直接放到不同 N 下跑 —— 零样本，不重训。

（地板 = 随机 = 0.40%；experiments/diag_read_memory.py）

三条结论，其中两条推翻了我自己的判断：

1. ✅ 校准锚点通过：N=0 给 31.2%，训练时报 30.2% —— 评估管线可信 （§11.15 要求每个指标都报天花板与地板，这条就是天花板对照）。

2. ★★ "任务漏洞"假设被否掉：字消失到 20 刻，准确率一点不掉（甚至略升）。 状态本来就能自己托住内容，零样本、从没训过隐藏条件。 这与项目早期的测量一致（延迟期指令可读出率 = 100%，§7.2）。 → "老师一走就崩"不是记忆问题。 我上一轮的诊断是错的。

3. ★★ 真正的瓶颈是「每字正确率只有 65%」，误差是乘性的： 31.2% ≈ 0.65³（平均拼音长度 3），长度 6 的拼音只剩 0.65⁶ ≈ 7.5%。 这解释了为什么池扩到 247 时正确率掉下来 —— 不是记不住，是错一个就全错。

4. ★ emit 门严重失准：该开时只有 0.10（应该 >0.5），该关时 0.27。 门基本是关着的，而它一旦开门往往就打对了。这是 RL 阶段的一个独立瓶颈。

下一步因此改变（原计划的"A′ 用 hide_after 重训"取消 —— 状态本来就托得住）：

★ 方法论：这一轮的价值在于假设被干净地否掉了。如果没做 N=0 那个校准锚点， 我会把"31.2%"当成"记忆掉了"的证据，然后去改循环核 —— 方向完全错。

#12.18 ★★★ 实测五：同声旁迁移（分水岭实验，结果是"种子在"）

这是整个项目最关键的一次测量：它区分「理解」和「背表」。 §6.7 只测出零样本迁移 = 0，而少样本/结构迁移从来没测过。

#字组是自动构造的，不需要人工标注形声字表

tools/build_phonetic_groups.py：形声字有两个可自动检测的特征 —— ① 同音（声旁相同 → 读音相同）用 pypinyin 分组； ② 长得像（共享一个部件，只差偏旁）用 24×24 位图 IoU 聚类。 两个条件同时满足才收（只用 ① 会把 一/意/义 凑一起；只用 ② 会把 未/末 凑一起， 那是形近字不是形声字）。实测 3755 个 GB2312 一级字里找到 49 个簇，抽出来全是标准形声字组：

[fu]   辐幅福辅(畐)   [man]  慢馒漫谩(曼)   [mu]   暮幕募慕(莫)
[bang] 磅膀镑(旁)     [ce]   测厕侧(则)     [cheng]程称秤(呈)
[e]    蛾娥饿(我)     [fang] 坊仿访(方)     [fen]  汾纷份(分)
[dan]  掸惮弹(单)     [liao] 撩僚燎镣(尞)   [chan] 搀馋谗(毚)

#严格配对的对照设计（两次修正才做对）

v3 设计：训练集 T = 49 个簇各留一个后的成员（102 字）

• 条件 A 结构留出（48 字）：没教过、读音教过、且与 T 里某字共享声旁
• 条件 B 对照留出（48 字）：没教过、读音教过、但与 T 里任何字都不形似 （构造法：取同一音节但不在簇里的字。例：簇 [man]=慢馒漫谩(曼)，对照取 瞒拇…）

• 实测核对：读音在 T 里出现过的比例 A 48/48、B 48/48 ✓（否则读音又成混淆变量）

★ 一次训练即可同时评估两个留出集（同一个策略），省一半算力。

#结果

（两次评估分别在第 3800/4000 步；results/logs/exp31_B1.log / B2.log）

#判读：这是"理解的种子在"的第一个硬证据

先做稳健性验证（防止把一次侥幸当结论）：两条曲线全程 20 次评估 —— A 从 0 稳步爬到 70+，B 全程平在 5% 左右，是学习曲线，不是抖动：

预登记判据是「A >> B → 真的在用结构；A ≈ B → 只是背表」。 实测 A 是 B 的约 8 倍（均值口径），所以：

★★ 它不是纯查表器。 一个从没教过的字，只要与教过的字共享声旁， 就能读对 63~72%；而同样没教过、同样读音、但不形似的字只有 6~7%。 结构被迁移过去了。

这直接回答了那条悬了很久的问题链：

• "零样本迁移 = 0"（§6.7）→ 但结构迁移不是 0，而且很强
• "它有学习能力吗" → 有，至少在字形-语音这一层有
• "理解句子/情感/关系有没有立足点" → 有立足点了（组合的种子在）

#★ 诚实的边界（必须标注，否则会过度解读）

机制很可能是「视觉最近邻 → 迁移读音」：A 的字与 T 的字长得像， 所以卷积特征落在熟悉的区域。对形声字来说，这恰恰就是"用声旁" —— 但严格说，我们还不能排除"它在用任何视觉相似性（包括非声旁的偏旁）"。

要排除它，需要第三个控制条件（下一步）：

形近但异音的留出字（未/末、己/已、土/士 这类）。 若它把"长得像的那个字"的读音搬过来，这些应当错； 若它仍能读对，说明它在用更细的结构，不只是整体形似。

#另一条独立结论：RL 阶段削弱了结构迁移

B2（带放手）的 A 从 45.8% 掉到 27.1%，与 §12.16/§12.17 的结论一致： β→0 之后策略漂移。所以"放手后维持不住"这个问题在迁移能力上同样成立。

#第三个控制条件：「形近但异音」——第一次构造失败，记下正确做法

目的：A 的高准确率有一个尚未排除的替代解释—— 它只是在做视觉最近邻（"跟教过的某个字长得像，就输出那个字的读音"）。 对形声字来说这恰好就是用声旁，所以两种解释在 A 上给出同样的预测，分不开。 要分开，就得找长得像但读音不同的字（未/末、己/已、土/士）。

第一次尝试（tools/add_near_control.py，IoU ≥ 0.62）失败，两个原因：

1. 双胞胎必须在 T 里，而 T 只有 102 个簇成员 → 只找到 5 个， 而且全不是经典形近字对（找到的是 钒/饥、桃/挑、慎/情、拴/捡、蹭/赠）

2. ★ 这 5 个的读音都不在 T 里（0/5） → 它们就算有完美的结构也读不出来 （目标串根本不在已学过的读音集合里）→ 这个对照是不公平的， 测出来的低准确率无法归因给"视觉混淆"

正确做法（下一步）：

主动把形近异音对拆开 —— 对每一对 (c, twin)，把 twin 放进 T、把 c 留出， 并同时保证 c 的读音在 T 里另有出现（否则读音本身就成了混淆变量，见 v2 的教训）。 即：构造 T 时就要把"形近异音对"当成一个约束加进去，而不是事后从现成的 T 里找。

★ 这一条本身是个方法论教训：对照集必须和实验组在"哪些变量被控制住"上对称。 第一次构造只想着"找到形近异音的字"，忘了"读音也要教过"—— 而这正是 v2 犯过的同一个错（当时是随机留出的读音不在 T 里）。

并且要记住：两种结果都有信息量，这不是"必须成功"的检验：

• C 几乎全错 → 机制就是"视觉相似 → 迁移读音"。这仍然远超查表器 （查表器连 A 都做不到），只是"结构"的粒度是整体形状

• C 也能读对不少 → 它在用比整体形状更细的东西

#12.19 ★★★ 实测六：C′ 形近异音跑完了 —— 结论要改，而且改的是我自己

本节承 §12.18 末尾那个"第三个控制条件"。C′ 跑完了（exp31_Cnear.log，3000 步， 142 字训练集 + 视觉预热 vision_multi_c24_d3_aug.pt）。 但是在给结论之前，先补了三个原本缺失的锚点，结果把 §12.18 的结论推翻了一半。 这一节的价值主要不在 C′ 本身，而在"我差点又一次把没有分辨力的实验当成证据"。

#⚠️ 事故一：那个"142 字 + hold_struct"的跑次里，A 根本没被测

exp31_read_rl.py 的 --holdout-json 读的是一个文件。exp31_Cnear 用的是 near_experiment.json，里面没有 hold_struct 键 → 那一行 [A结构] 根本没打印 （日志里只有 [B对照] 与 [C形近异音] 两行，与这个结论一致）。

★ 教训："跑了三个留出集"这句话必须用日志行数核对，不能靠配置意图。 我口头说过"A/B/C′ 同一次测"，实际只有 B/C′。

修法：tools/merge_transfer_sets.py 把两版合成 results/logs/transfer_sets.json （142 训练 + A 48 / B 22 / C′ 24），并核对重叠（train∩A = train∩B = train∩C = 0， 只有 A∩C′ 的 抡 一个字重复，已记录）。

#★★ 事故二（更贵）：C′ 的读数没有分辨力，我差点把它当证据

我最初的写法是"C′ ≈ B → 视觉最近邻假说被否掉"。这是错的， 因为我算漏了一个分母。补了 experiments/diag_nn_baseline.py（纯查最近邻、零学习）：

这一张表把所有事情翻过来了：

1. A 的"查最近邻满分线"是 93.8% —— 因为形声字的最近邻就是同音的那个字 （实测：镣→撩 IoU 0.621、暮→募 0.605、馒→慢 0.552，读音全同）。

   ★★ 所以 §12.18 那句"它不是纯查表器"证据不足。 A 考的很可能就是"抄最近邻"，而 A 的高分完全可以是查表查出来的。

2. C′ 的满分线是 0.0% —— 它的最近邻读音故意与真读音不同。 于是"查表假说"预测 0%、"读声旁假说"预测高；两个假说预测相反，本该有分辨力。 但实测 C′ = 2.0%，而 B = 3.1%，两者都在噪声里 —— 模型在 C′ 上两种都没做到，所以这一格也没能证实任何一方。

#逐字读数：它确实在输出孪生字的读音（41.7%）

experiments/diag_transfer_strings.py 把每一个字的预测串倒出来（--reps 2）：

样例（目标 → 模型输出）：推(tui) → 'kui'（孪生 傀 gui 的读音）、 昧(mei) → 'wei'（孪生 味 wei）、乓(pang) → 'ping'（孪生 乒 ping）、 戍(shu) → 'dan'（不是孪生，是训练集里的 惮 dan）。

★ 结论：给一个没教过的字，它会从训练过的读音里挑一个输出， 而且挑的经常是"长得最像的那个字"的读音——但仍不足以让它读对。

#最终结论（取代 §12.18 的判读）

★★ "结构迁移"这条线目前没有证据；也不能说被否掉。

· A 的 7.8× 仍然成立（B1/B2 两次、40 个评估点、18/20 胜出，不是抖动）， 但 A 的机制没有被识别出来 —— 它既可以是"读声旁"， 也可以是"抄最近邻"（满分线 93.8% 已经把这条路铺好了），现有数据分不开。 · C′ 没能充当那个分辨器：它的满分线是 0%，两个假说都预测"低"， 实测 2.0% 落在噪声里。 · 唯一有分辨力的读数是逐字预测串：C′ 上 41.7% 输出孪生读音 —— 这支持"视觉最近邻"这条机制，但它不等于"只会查表"， 因为查最近邻在 C′ 上只能考 0%，实测 6.2%。

#为什么没能造出真正的分辨器（留档，别再重走）

要分开两个假说，需要四格：视觉近/远 × 读音覆盖/不覆盖。 tools/build_confound_matrix.py v1（τ=0.55）造出来了，但四格的 查最近邻基线全是 8.3% / 0% / 0% / 0% → 依旧没有分辨力。 v2 把 τ 提到 0.62 之后，候选池塌了：

V+P+ （视觉近 + 最近邻同音，≈ A 的构造）: 候选只剩 1 个
V+P- （视觉近 + 最近邻异音）          : 候选只剩 0 个
V-P+                                  : 候选 13 个
V-P-                                  : 候选 837 个

原因：COMMON_1000 里"视觉近"的关系大量已经被并进训练集了（A 的构造就是抽干它们）。

★ 教训：设计四格之前要先量每一格的候选数。"能把四格填满"是设计的前提， 不是设计完成之后的实现细节。

#这一节真正的方法论收获

"校准锚点必须最先做"第三次救命（前两次：31.2% vs 30.2%、6×6 不可分）：

★ 一个留出集只有配上"一个零学习基线能在它上面考几分"这个数，才是一把尺子。 没有这个数的留出集，读数只能证明"低"，不能证明"因为什么而低"。