[LAB 19 · 新域：捷径反转与少标签适配](/course/notebooks/c20ef6a65d184331b1b52bf351077504.html)

# 已完成的基准运行
[独立阅读](/course/notebook-blocks/781073c3fc214fd6b23ae0a54a479e1d.html)
按问题继续

源域捷径、目标域反转、少标签适配与同预算scratch

## 已完成的基准运行

以下是本轮本地独立 Python 进程的实际标准输出，云端执行另行记录。

```
source-trained weights stable/spurious/bias [1.009, 2.7, 0.0]
{'source_holdout': 1.0, 'target_zero_shot': 0.076171875, 'target_adapt32': 0.9921875, 'target_scratch32': 1.0}
adaptation gain over zero-shot 0.916 transfer advantage vs scratch -0.0078
test seeds 221/223 never used by optimizer; adaptation seed222 only

```

目标域零样本下降来自我们显式翻转的相关线索；这不是对现实部署原因的自动诊断。适配收益与迁移相对从零的收益不同，结果表分别报告两者。只把adapt样本数32改为8，重新生成相同环境的独立训练样本，观察方差；多种子评价时保留预先固定的测试种子，不挑最好一次。若背景在所有训练环境都相同方向相关，仅凭随机划分无法知道哪维稳定；增加环境多样性与领域知识是不同干预。[WILDS](https://wilds.stanford.edu/)提供真实分布变化基准；本例是自制可控反例。