新域失效与负迁移不能混为一谈
课堂上下文：从哪个问题来
总结表示学习的选择与评价，再引入空间任务：输出要求变了，已有整图答案不能直接交付位置和实例。
设源域中背景与标签强相关，目标域把这条关系翻转。一个使用背景的模型可以在随机源域保留集很好，到目标域却失败。这说明源域评价没有覆盖所需环境变化；还不能单独说明“用了预训练反而更坏”。
负迁移需要在同一目标任务和标签预算下比较预训练起点与合理基线，例如从零训练。当前LAB 22用两维解析输入训练逻辑回归，明确区分源域保留、目标零样本、32标签适配与32标签从零。历史输出中适配准确率0.9922，高于零样本0.0762；但从零为1.0，因此适配收益和相对从零优势不是同一数。
这是受控特征实验，不是视觉模型从照片自动发现因果。它帮助学生设计下一次真正研究：哪些环境被留出，哪些线索稳定，少量目标标签能修正什么？