Lecture 03已运行结果：一次增益也可能是另一次损失
已运行结果：一次增益也可能是另一次损失
主线阅读与优先实验
真实RGB对比训练、唯一指定增强变化、h/z形状与颜色读出
已运行结果：一次增益也可能是另一次损失
| 编码器 | h形状5NN | z形状5NN | h颜色5NN | z颜色5NN | h形状线性 | h颜色线性 |
|---|---|---|---|---|---|---|
| random | 72.50% | 60.42% | 100.00% | 100.00% | 56.25% | 100.00% |
| keep-hue | 47.50% | 58.33% | 100.00% | 100.00% | 69.17% | 100.00% |
| swap-hue | 85.83% | 95.42% | 49.17% | 52.92% | 98.75% | 59.17% |
保色条件的 InfoNCE 从 4.317 降至 2.087，但 h 的形状 5-NN 从随机的 72.50% 降到 47.50%。目标可以利用颜色、位置、大小来区分源图；目标下降没有回答形状类别是否更可分。线性形状读出却从 56.25% 增至 69.17%，说明同一表示在不同读出协议下也会得出不同评价。
换色条件的 h 形状 5-NN 为 85.83%，颜色 5-NN 为 49.17%；形状线性读出为 98.75%，颜色线性读出仍有 59.17%，说明不能把“近邻接近50%”升级成数学意义的信息完全消失。z 的形状 5-NN 达到 95.42%，这次反而高于 h；“下游总用 h，因为 h 总更好”不是本实验支持的规则。
两条链的第一层卷积权重变化范数分别为 0.7133 和 0.7588，确认不是只训练了读出头。这里不能证明大规模自然图像上颜色增强总能提高形状识别，也不能从一枚种子宣称显著优越。
云端复核（2026-09-22）：同一代码另在 Deepnote 的 Python 3.13 / PyTorch 2.12.0+cu130 环境以 CPU 张量完整执行。保色 h 的形状/颜色5-NN为54.17%/100%，换色为93.33%/50.42%；本地表格来自 Python 3.12 / PyTorch 2.14 CPU，保留原值。固定种子不保证跨软件版本逐位相同；这里两次都显示形状与颜色任务的取舍。云端运行 ID：5c5da87a-d3b9-4a10-b758-269e659f54f1。