把“已有能力可迁移”改写成一个能被检验的研究问题
课堂上下文：从哪个问题来
回看的是可复用资产，而不是模型名排序。三条公开连接分别复用 MAE 初始化、检测器区域和 CLIP 视觉编码。科研练习再把“迁移”变成具体的新批次评价：任务将来遇到什么条件，决定该怎样切分和选择基线。
研究判断需要一个预测时会遇到的新条件。若未来样本来自新采集批次，却随机把同批次样本分到训练和测试，成绩可能主要反映记住批次。LAB21 用透明合成数据把这个问题做成完整对照。
12 个批次各 20 个样本，目标含较弱的观测信号 和较强批次偏置。一个基线记训练批次均值，另一个只拟合 的线性关系。历史保存结果如下：
| 划分 | 训练/测试重叠批次数 | 批次均值 RMSE | x 线性基线 RMSE |
|---|---|---|---|
| 随机样本划分 | 12 | 0.7822 | 2.3574 |
| 整批次留出 | 0 | 2.1152 | 1.7980 |
随机划分中批次均值很好，不是程序作弊，而是评价问题允许看到同批次历史；新批次任务下这个优势消失。x 基线也没有解释全部目标，因为它缺少未知批次偏置。两张成绩表对应不同预测问题，不能只选更好的一张。
这组数据不是农业实测，不产生现实效应结论。它示范一个有用的研究动作：明确未来条件，选能利用捷径的强基线，再改变切分使解释分叉。下一项可检验改动是把偏置标准差从 3 降到 0，看两种划分的差距是否缩小。已有代码和结果保留，本轮只重新组织阅读与回链。