用颜色任务将“什么变化应被忽略”落到可观察干预，避免把增强强度当普遍优劣。
同形状法兰的红蓝和明暗四条件；切换形状任务与涂装任务改变标签判定。
先看任务，而不是先选一个流行增强。如果我要识别零件的形状，红色变蓝色也许不影响答案；如果我要区分涂装，红蓝本身就是答案。类似的颜色变化，对两个任务有不同意义。 所以问卷第一题真正检查的是：不能因为下游使用 h、不使用 z，就放心把训练中的颜色关系随意改掉。h 可能保留，也可能没有保留；即使保留了，给定读出方式和标签预算，能不能用起来还要检查。 这里最有用的行动不是简单说“强增强好”或“颜色增强坏”，而是先标出哪些变换保持任务标签，再比较这些条件下的表示和读出。问题一旦具体到红蓝零件，原先看似抽象的表示讨论就有了可检验的对象。
如果任务是识别杯子形状，轻微光照变化不应改变答案；如果任务是分拣红杯与蓝杯，颜色正是答案来源。增强的含义必须相对于任务判断。“颜色增强”也不是单一操作：亮度缩放可能保留红蓝关系，通道交换却直接改变它。
受控比较应从同一图像出发，固定几何、背景、数据划分和训练预算，只改变预定的颜色操作。独立生成两张不同照片，再声称“只改了颜色”，会混入姿态、纹理和背景。
对照读出时，分别测形状和颜色，而不只给一个总准确率。若形状更好、颜色变差，我们学到的是一种用途取舍；不能把后者掩盖成“更强的表示”。本页问卷可以先投判断，课后在LAB 06用真实训练检验。
红/蓝来自现有确定性颜色变体；明暗来自现有变体及 SVG 亮度显示变换。四格属于教学条件，不是本轮训练或模型性能结果。
把上一页的预测带到已保存图像训练结果；先看表示层与读出协议，再比较数字。
当前LAB 06保留了600张训练、240张保留的16×16合成RGB图像训练。卷积编码器产生48维h，投影头产生24维z；训练用InfoNCE，类别标签仅在冻结评价时使用。两个训练臂固定初始化、批次与预算，预定变化是视图是否以50%概率交换红蓝通道。
保存的2026-09-22基准中，保留颜色增强后的h，形状5NN为47.50%、颜色100%；换色增强后的h，形状85.83%、颜色49.17%。换色z的形状5NN为95.42%。因此这次实验观察到：迫使颜色线索不可靠后，形状更易读，而颜色信息的可用性下降。
这是当前Notebook中的历史运行记录，本轮文字整理没有重新训练。它有图像、可学习模型和保留评价，已超出手填向量热身；但仍是一个种子的小型受控任务，不支持给SimCLR与MoCo排通用名次。读出方法也重要：同一个换色h的线性形状读出为98.75%，与5NN问的并非完全同一件事。
推荐LAB 06作为第一部分主实验：先看两种视图与历史结果，再只改一个颜色条件。