跳到正文STAGE RESULT II · FRESH-DATA AUDIT · CONFIRMATORY COMPLETEABHTE-IHDP-RELIABILITY-2026-07-17-V1
合成世界里的优势，能走出合成世界吗？
部分能。关键一条不能。
旧 IHDP benchmark 的宽泛平均表现，在新的 50 个 replications 上复现； 但 synthetic exact rank-one world 里的优势，在 20 个未见 IHDP replications 上显著反转。
方法仍有竞争力；它的优势来自正确的结构共享，而不是无条件的普遍 dominance。01 · BROAD BENCHMARK REPRODUCED旧 benchmark 的宽结论保持稳定。
0.787 → 0.777Cauchy AB-HTE 的 original 100-rep 与 fresh 50-rep Effect MedAE。它继续优于 Gaussian twin 与多种 robust learners；TARNet / CFR 的平均误差仍更低。
02 · RANK-ONE TRANSFER REVERSED一维共享优势没有自动迁移。
0.821 < 2.101参数几乎相同的 matched unrestricted Direct 明显优于 AB d=1；Direct 在 15/20 个 frozen confirmatory replications 中获胜。
01 what is actually being tested
这次审计回答两个问题，不能把它们混成一张榜单。
Legacy d=8 benchmark 检查整体表现能否重现；frozen d=1 audit 检查 exact rank-one 的条件优势能否外推。模型、数据批次和 claim 都不同。
EXPERIMENT Areps 200–249
宽结论能否复现？
冻结旧模型矩阵，在 fresh 50 replications 上重跑。AB twins 使用此前仅由 factual validation 选出的 latent dimension 8。
平均方向复现EXPERIMENT Breps 250–269
Rank-one 优势能否迁移？
在未用于 decision 的 20 replications 上，冻结比较 AB d=1、deterministic shared-score d=1 与 unrestricted Direct。
Primary contrast 反转底层逻辑被检验的不是“latent 是否神奇”，而是共享 geometry 是否合适。
我们默认 factual evidence O ≡ x。全程只有一个 unit selection variable U：abduction 根据 x 推测当前是哪一个 latent token，再固定这一次 UnitDistribution 查询 t=0 与 t=1。U 没有 label，也不是一组可观测的 Ui 协变量。
可见 evidenceO ≡ x不是 U label
→abductionq(U | x)一个 latent token distribution
→fixed queriest=0 · t=1不重新 abduce
→readoutm₁(x) − m₀(x)location contrast
TRUTH 接近 RANK-ONE共享正确 → pooling 降低 variance
两个 treatment arms 复用同一 response-relevant scalar direction，稀缺 arm 不必独自学习全部方向。
AB 可能赢TRUTH 偏离 RANK-ONE共享错配 → restriction 引入 bias
如果两个 response surfaces 需要更高维或不同方向，一维 bottleneck 会系统性丢失可预测结构。
Direct 的 flexibility 更有价值 Rank-one 是一项可能带来收益、也可能付出代价的结构假设；它不是免费的 regularizer。
02 matched confirmatory design
为什么这次反转值得相信？
尽量只改变 factorization，不让参数量、split、初始化预算或 oracle leakage 替结果背锅。
01参数近乎相等
AB d=1 与 deterministic 均为 1,960；Direct 为 1,962。最大差异约 0.10%。
02完全相同的数据
每个 replication 的三个模型共享 471 / 201 / 75 train / validation / test split。
03相同优化预算
每个模型各跑 3 个 initialization restarts，只按 factual validation NLL 选择 checkpoint。
04Oracle 最后才出现
μ₀、μ₁ 不参与训练、early stopping、restart selection 或 tuning，只进入 final evaluator。
03 experiment A · fresh legacy matrix
AB 仍然有竞争力，但不是 universal winner。
Effect MedAE 越低越好。Fresh run 支持宽泛 mean-ranking signature；它不表示每一对相邻模型都有显著、稳定的严格排序。
直接标注核心模型；完整 8-model fresh matrix 见下方可展开表。数值为 replication mean。
该保留什么正结论？Cauchy AB 的平均表现没有在新 replications 上崩溃，继续优于 Gaussian AB、Huber S、Pinball S 与 Cauchy S。 但 TARNet / CFR 平均更低，因此准确表述是“有竞争力并具有重尾稳健性”，不是“总体最优”。
查看完整 8-model fresh 结果
IHDP legacy benchmark：Original 100 reps 与 Fresh 50 reps| Model | Original | Fresh | Fresh SE |
|---|
| CFR-style MMD | 0.6997 | 0.7158 | 0.0446 |
|---|
| TARNet | 0.6991 | 0.7280 | 0.0436 |
|---|
| Cauchy AB-HTE · d=8 | 0.7872 | 0.7774 | 0.0386 |
|---|
| Cauchy T | 0.8932 | 0.8510 | 0.0448 |
|---|
| Gaussian AB-HTE · d=8 | — | 0.9203 | 0.0539 |
|---|
| Huber S | — | 1.0522 | 0.0943 |
|---|
| Pinball S | — | 1.1036 | 0.0930 |
|---|
| Cauchy S | — | 3.2337 | 0.4527 |
|---|
04 experiment B · frozen d=1 transfer audit
当一维共享 geometry 错配，Direct 明显更好。
三个模型的参数量与训练预算近乎完全匹配。下面是 20 个 frozen confirmatory replications 的平均 Effect MedAE ± SE。
Effect MedAE · lower is betterMatched three-model result0123
Matched unrestricted Direct1,962 parameters
0.821 ± 0.075Cauchy AB · d=11,960 parameters
2.101 ± 0.325Deterministic shared-score · d=11,960 parameters
2.628 ± 0.219mean Δ−0.7546
95% paired interval[−1.1510, −0.3582]
reverse sign-testp = 0.02069
REPLICATION-LEVEL DIRECTIONDirect 赢 15 / 20每个圆点代表一个 frozen replication；这里显示的是胜负计数，不表示运行顺序。
Direct win · 15 AB win · 5
ONTOLOGY ATTRIBUTION · INCONCLUSIVEAB d=1 的平均 error 低于 deterministic shared-score d=1，但预声明联合 gate 未通过：11/20 wins，sign-test p=0.4119。 因而不能把这条均值差独立归因于 probabilistic UnitDistribution；更稳妥的事实是，两个 rank-one 模型都输给 unrestricted Direct。
05 claim ledger
结果没有把方法清零，它把价值边界画得更清楚。
负结果真正有用的地方，是让下一阶段不再围绕一个过强的 universal claim 打转。
现在得到支持竞争力与条件优势
- Legacy AB benchmark 的宽泛平均表现可复现
- Cauchy AB 对 Gaussian twin 与多种 robust learners 保持竞争力
- exact aligned rank-one truth 下，partial pooling 可以带来有限样本优势
- declared same-token world 内，joint-law cancellation 结果仍成立
本轮被反转无需条件的迁移
- Exact-rank-one 的 synthetic 优势不会自动外推到 IHDP
- rank-one bottleneck 不是普遍有利的 regularizer
- 参数匹配并不能消除 geometry misspecification
仍未解决Unit-specific attribution
- Probabilistic UnitDistribution 是否独立优于 deterministic reduced-rank representation
- 何种可观测 diagnostics 能在训练前判断共享 geometry 是否合适
- 多 mechanism 与 repeated evidence 是否会放大 token reuse 的价值
本实验没有检验不要跨过 truth boundary
- latent U 的真实恢复或唯一坐标
- same-token coupling 的 factual identification
- 真实个人的两个 counterfactual outcomes
- hidden confounding 下的 causal identification
06 · AUDIT & REPRODUCIBILITY负结果也按 confirmatory evidence 保存。
Source、config、analysis、data hashes、split、restart seeds 与 success gates 均在运行前冻结；没有按 replication 选择性重跑。 Canonical evidence 保留 60 个 selected rows、180 个 restart rows及完整 manifests。
0–9legacy factual tuning
100–199original benchmark
200–249fresh legacy matrix
250–269frozen confirmatory
Protocol correction 与实现审计
新 split471 / 201 / 75reference CFRNet 口径，三个模型逐 replication 共享。
旧 runner 实际 split470 / 202 / 75旧结果按真实执行状态保留，没有追溯改写。
测试114 passed覆盖 protocol、model parity、oracle isolation、restart 与 artifacts。
选择纪律factual-onlyhidden response surfaces 不参与任何模型选择。
下一步不只是堆更多相同样本，而是检验“可复用 token structure”本身。
更有信息量的实验是 crossed token × mechanism：同一个 latent token 跨多个 mechanism 被重复使用，并同时设置 shared-token 与 redraw negative control。 如果 Unit Abduction 的价值确实来自 token reuse，优势应随 mechanism 数量、paired evidence 与跨任务复用增强，并在破坏 shared-token ontology 时消失。