# Knowledge That Is Linear Before Fine-Tuning Generalizes After It：中文研读笔记

**作者**：Faridoun Mehri、Hinrich Schütze（LMU Munich / MCML）  
**原文**：[arXiv:2610.22300v2](https://arxiv.org/abs/2610.22300v2) · [本地 PDF](../source/paper.pdf)  
**版本与研读日期**：v2，2026-10-19 修订；本次研读 2026-10-27  
**发表**：未查到正式发表信息（截至 2026-10-27）；[arXiv 记录](https://arxiv.org/abs/2610.22300v2)未列出期刊或会议。  
**代码**：[作者提供的官方代码与数据](https://github.com/NightMachinery/active-inert-facts)，仓库包含关系、提示模板、微调、探针与分析代码。

## 论文总览

论文研究一个比“模型能否答对旧事实”更进一步的问题：**旧知识是否有可供新学习利用的结构？**作者把能支持新任务留出泛化的事实称为 *active facts*，把虽能回忆、却在该任务中不能支持泛化的事实称为 *inert facts*。这是一种依赖任务的操作性区分，并非给每条事实贴上永久标签。

实验把旧关系（如城市 $\to$ 洲）的答案随机映射到无关的新词（欧洲 $\to$ crab，亚洲 $\to$ zebra），只用部分城市微调模型，再测试未见城市。新词的映射不告诉模型，因此成功的迁移需要利用旧关系中“哪些主体共享答案”的结构。作者用微调前、主体表示上的交叉验证线性探针准确率衡量这种结构的**线性可读性**（*Pre-linearity*）。在 11 个模型、70 个关系上，它与留出泛化的相关为 Pearson $r=0.87$–$0.92$；同时控制四种关系属性后仍为 $0.70$–$0.82$（Table 1，PDF 第 7 页）。这支持“线性可读性比原任务召回更能预测该实验中的新知识迁移”，但仍是关系层面的相关证据。

## 结构地图

| 原文章节 | 作用 | PDF 页码与关键证据 |
| --- | --- | --- |
| 1 Introduction | 定义问题、给出随机重标实验直觉 | 第 1–3 页；Fig. 1，第 2 页 |
| 2 Related work | 区分统计事实泛化、逻辑蕴含与改写 | 第 3–4 页 |
| 3 Method | 定义新关系、三个指标、嵌套交叉验证和控制变量 | 第 4–6 页；Fig. 5，第 14 页 |
| 4 Experimental setup | 关系、模型、标签集合及重复实验 | 第 6–8 页；Table 1，第 7 页 |
| 5 Results | 主相关、控制、召回比较、鲁棒性与错误分析 | 第 8–9 页；Fig. 2–4，第 6、8、9 页 |
| 6 Conclusion | 概括表示结构与新关系泛化的关联 | 第 9–10 页 |
| Appendix A–H | 探针分折、训练细节、逐关系结果、随机重复、标签和错误归因 | 第 14–24 页；Fig. 5–8、Table 3–7 |

## 一：动机

如果预训练文本描述 Mary 在法国成长、上法国学校、用法语写作，却没有直接说其母语，模型推测她的母语是法语，属于作者所说的**统计事实泛化**：依据已知事实推断一个高概率但并非逻辑必然的新事实。它有别于对同一事实的改写，也有别于从前提必然推出结论的蕴含。旧研究已考察事实召回、关系表示和从已知事实推断；本文进一步追问**哪些已知关系能够成为新学习的基础**（Sec. 1–2，PDF 第 1–4 页）。

作者的假设是：若旧关系的答案在预训练模型的主体表示中能被简单线性边界读出，微调更容易把该结构接到一套新标签上。下图是原文的示意：A 和 B 的旧关系召回都高，但 A 的颜色簇较可分，重标后能迁移到空心标出的未见主体；B 的表示交错，错误标签也接近探针误判的类别。图是**概念图**，不是实验散点。

![原文 Fig. 1：两种旧关系在相同召回下有不同的线性可读性和新任务泛化](figures/fig1-concept.png)

*原文 Fig. 1，PDF 第 2 页。圆点颜色表示旧关系答案，空心圆为未参与微调和探针训练的主体。*

## 二：方法

### 2.1 造出“依赖旧知识、但答案全新”的任务

给定旧关系 $R$，记主体 $u$ 的有效答案为 $e_R(u)\in\mathcal E$。这里的“有效答案”按**首 token**区分：如果两个答案首 token 相同，就归为同一类。作者从标签池 $\mathcal A$ 随机抽取 $|\mathcal E|$ 个标签构成 $L$，并随机建立双射 $\pi:\mathcal E\to L$。新关系为

$$
R^{\pi}(u)=\pi\bigl(e_R(u)\bigr).
$$

例如 $e_R(\text{Paris})=e_R(\text{Munich})=\text{Europe}$，且 $\pi(\text{Europe})=\text{crab}$，那么两个城市的新答案同为 crab。训练时只给部分主体 $T$ 的新关系事实，不显式提供旧关系 $R$ 或双射 $\pi$；测试集 $H$ 的主体从未参加微调、探针拟合或调参。每个旧答案至少有 4 个训练主体和 1 个留出主体。动物标签取自 WordNet 并经过词频、首 token 唯一性、语义邻近性等筛选，以减少标签歧义和原关系的语义捷径（Sec. 3，PDF 第 4–5 页；Appendix F，第 22 页）。

### 2.2 三个指标分别测什么

三个指标都以候选答案集合内的**首 token top-1 正确率**为基础。先按每个答案类别分别求主体准确率，再对类别等权平均，所以大类不会因主体多而主导；均匀随机猜测的基线约为 $1/|\mathcal E|$。

| 指标 | 模型、数据与问题 | 定义要点 |
| --- | --- | --- |
| Recall（旧关系召回） | 微调前模型；$T$ 上的旧关系提示 | 旧答案在候选旧答案中的类别平衡准确率 |
| Pre-linearity（预先线性可读性） | 微调前模型；$T$ 的主体表示 | 线性探针的嵌套交叉验证类别平衡准确率，减去训练折多数类基线 |
| Generalization（新关系泛化） | 每个关系单独微调后的模型；$H$ 上的新关系测试提示 | 新标签在候选新标签中的类别平衡准确率 |

因此这里的 Generalization 是**给定候选标签的分类测试**，不等同于开放式生成的整体能力。Recall 在 $T$ 上测量，Generalization 在 $H$ 上测量，探针也只用 $T$；这样的分工让“旧关系可读”成为微调前可测的预测变量（Sec. 3，PDF 第 5–6 页）。

### 2.3 探针如何得到 Pre-linearity

作者在旧关系查询模板里，取**主体跨度最后一个 token**在某一层的激活 $h$，先对该关系的训练折做 PCA，再对白化后的前 $q=16$ 个主成分拟合 softmax 线性分类器：

$$
z_k=\frac{v_k^{\top}(h-\mu)}{\sigma_k},\quad k=1,\ldots,16,
\qquad p(e\mid u)=\operatorname{softmax}(Wz+b)_e.
$$

$\mu$、$v_k$、$\sigma_k$ 分别是当前训练折的均值、主方向和沿该方向的标准差。探针用交叉熵加 $\tfrac{10^{-2}}{2}\|W\|^2$ 拟合；维数与正则化系数对所有模型、关系固定。每个外层 10 折的训练部分再做内层 5 折，只用内层验证选择表现最好的网络层；选层后在该外层训练部分重新拟合，预测外层测试折。PCA 与白化也在每次拟合的训练数据上重新计算。汇总每个 $T$ 主体唯一一次折外预测后，减去外层训练折多数类的类别平衡基线，得到 Pre-linearity。这里测的是**受限为 16 维 PCA 表示的线性探针可读性**，并非证明模型所有相关知识都以唯一线性机制存储（Sec. 3，PDF 第 5–6 页；Fig. 5，第 14 页）。

### 2.4 微调与控制变量

新关系放进虚构小说情境，避免把动物标签伪装成现实地理事实。每个训练主体有 4 个改写模板，第 5 个模板专用于测试。所有权重参与微调，损失只落在标签的首 token；训练 20 个 epoch，每条事实在 4 种措辞下各出现 20 次。各模型在训练主体上最终准确率均为 1.00，排除了“新映射本身尚未学会”这一简单解释（Sec. 3，PDF 第 5 页；Appendix B/Table 3，第 14–15 页）。

作者还为每个关系记录四个可能同时影响探针与泛化的因素：旧关系 Recall、答案数 $\ln|\mathcal E|$、训练主体数 $\ln|T|$、主体在 Dolma v1.7 中出现次数的平均 $\log_{10}(1+\text{count})$。最后一项是各模型预训练曝光量的**代理**，并非每个模型真实训练语料的计数。统计分析在**同一个模型的 70 个关系之间**求相关和偏相关，不把 11 个模型当成 770 个独立模型重复（Sec. 3–4，PDF 第 6–8 页）。

## 三：实验设置

关系共 70 个：Hernandez 集 11 个、作者构造的 Town 集 6 个、BEAR 集 53 个。进入实验的关系在每个模型下需至少 5 个有效答案、每个答案至少 5 个主体、训练主体至少 25 个。Town 集把 300 座城镇映射到区域、官方语言或纬度、经度、海拔、人口分档；这为自然事实之外加入了规则明确的关系（Sec. 4，PDF 第 6–7 页；Appendix E，第 21–22 页）。

11 个开放权重模型覆盖约 2B–27B 参数，包括基础模型与后训练模型；Qwen3.5-9B 同时包含 Base 与后训练版本。主实验用 179 个动物名作标签。标签类别鲁棒性实验只在 MiniCPM5-2B-Base 上进行，另用 13 个 WordNet 名词类别。重随机实验对 MiniCPM 的全部 70 个关系做 3 次；其余 10 个模型仅对 Hernandez+Town 的 17 个关系做 3 次，Qwen3.8-27B 不参加这项重复（Sec. 4，PDF 第 7–8 页）。

Pearson $r$ 衡量关系层面的线性关联，Spearman $\rho$ 衡量排序一致性。置信区间按关系重采样、进行 10,000 次 95% 百分位 bootstrap；偏相关每次重采样会重新拟合控制变量回归（Appendix H，PDF 第 24 页）。

## 四：结果

### 4.1 线性可读性稳定预测留出泛化

下图每点是一个关系，横轴 Pre-linearity，纵轴 Generalization；11 个面板各对应一个模型。相同模型内部的点明显沿对角线排列，而不是把大模型与小模型的总体能力混合后才出现相关（Fig. 2，PDF 第 6 页）。

![原文 Fig. 2：11 个模型内，关系的预先线性可读性与新任务泛化呈正相关](figures/fig2-scatter.png)

*原文 Fig. 2，PDF 第 6 页。符号表示 Hernandez、Town、BEAR 三种关系来源；虚线是每个模型内的线性拟合。*

| 比较（同模型内跨 70 个关系） | Pearson $r$ 范围 | Spearman $\rho$ 范围 | 来源 |
| --- | ---: | ---: | --- |
| Pre-linearity 与 Generalization，原始相关 | 0.87–0.92 | 0.85–0.90 | Table 1，第 7 页 |
| 控制 Recall | 0.79–0.86 | 0.79–0.87 | Table 1，第 7 页 |
| 同时控制 Recall、答案数、主体数和主体频率 | 0.70–0.82 | 0.75–0.85 | Table 1，第 7 页 |

这四项控制会降低相关，但没有消除它。联合控制后 11 个 Pearson 系数的平均值为 0.77；作者报告其 95% 区间的最低下界仍为 0.56。上述数值是**相关系数**，不是“泛化准确率提升 70%–82%”（Table 1，PDF 第 7 页）。

### 4.2 Recall 有信息，但不是最强预测量

只看旧关系 Recall，它与 Generalization 的 Pearson 相关为 0.63–0.74；控制 Recall 后，Pre-linearity 与 Generalization 仍有 0.79–0.86 的相关。反向控制 Pre-linearity 后，Recall 的 Pearson 相关降为 0.40–0.58。因此旧任务答得好与新任务泛化仍有联系，**线性可读性提供更强的关系层预测信号**，而不是“Recall 完全无用”（Sec. 5，Fig. 3a，PDF 第 8–9 页）。

![原文 Fig. 3a：线性可读性与召回的偏相关比较](figures/fig3a-predictors.png)

*原文 Fig. 3a，PDF 第 8 页。蓝点：Pre-linearity 控制 Recall 后的偏相关；空心点：Recall 控制 Pre-linearity 后的偏相关。横线为 95% bootstrap 区间。*

### 4.3 改标签与改随机种子并未改变主关联

在 MiniCPM5-2B-Base 上，把动物标签替换为其他 13 种词类，Pre-linearity 与 Generalization 的 Pearson $r$ 仍为 0.91–0.93；新标签类别与动物标签对关系泛化难度的排序相关 $\rho=0.95$–$0.97$。这说明主相关不依赖于“动物词恰好容易学”，但这项类别检验仅覆盖该模型（Sec. 5，Fig. 3b，PDF 第 8–9 页）。

![原文 Fig. 3b：不同标签词类的相关及关系排序一致性](figures/fig3b-label-sets.png)

*原文 Fig. 3b，PDF 第 8 页。蓝色为各词类的 Pearson 相关，橙色为相对于动物标签结果的关系排序一致性。*

重新抽取旧答案到新标签的双射并改变微调随机种子后，MiniCPM 全部 70 个关系的三次 Pearson $r$ 分别为 0.92、0.93、0.92；另 10 个模型在 17 个关系上的重复系数总体落于 0.78–0.95。这里的重复检验的是**映射与训练随机性**；主体划分、标签子集及提示模板保持不变（Sec. 4–5，Table 2，PDF 第 9 页；Appendix D/Table 4–5，第 20 页）。

### 4.4 错误标签更接近探针的误判

作者用 $\pi^{-1}$ 将微调后答错的动物标签映回旧关系答案，再比较几个解释会不会选中该错误答案：线性探针前三名、微调前模型旧关系预测前三名、训练集中最高频答案、表示空间的 5 个最近邻主体，以及微调前模型在新提示上的答案。多个解释同时匹配时平分这次错误的归因份额，并与“在同一微调模型的错误之间打乱标签”和均匀随机错误标签作比较（Sec. 5，PDF 第 9 页；Appendix G，第 23–24 页）。

![原文 Fig. 4：线性探针与其他解释对错误标签的归因份额](figures/fig4-errors.png)

*原文 Fig. 4，PDF 第 9 页。横轴是所有留出错误中的份额；Observed、Shuffled、Chance 三组不可读作准确率。*

在 770 个模型×关系的微调单元里，757 个至少产生一次错误，合计 37,571 个留出错误。探针前三名分得 21.5% 的错误份额，打乱基线为 8.8%；旧关系模型预测前三名分别为 11.5% 和 7.3%。所有解释合计覆盖 48.3% 错误，打乱基线为 26.7%。这把关系层面的相关推进到主体层面的错误对应：模型答错时，错误类别较常落在探针认为相近的旧答案上。归因份额受候选解释集合与分摊规则影响，因此适合读作诊断证据（Fig. 4，PDF 第 9 页；Appendix G，第 23–24 页）。

## 五：结论与思考

这项工作把“会说出旧事实”与“能借旧事实学会新关系”分开测量。随机重标消除了新标签的常规语义，留出主体检验旧关系结构能否迁移；线性探针则在微调前给出一个可测的关系属性。跨模型、跨关系的主相关、联合控制、标签/种子重复以及错误标签分析共同支持：**在这一类新关系微调任务中，旧关系的线性可读结构，比旧关系的候选答案召回更能预测后续泛化。**

实践上的启发是，筛选可供微调利用的已有知识时，可以补测表示层的关系可读性，而不只依赖提示式事实问答分数。这个推论仍需按任务核验：本文使用英语关系、随机词类标签、全参数微调与受限候选首 token 分类；Dolma 主体频率只是各模型曝光量的代理。现有对照与错误分析支持“模型利用了探针所读到的结构”这一解释，尚不能单独确定线性读出本身就是微调泛化的因果机制。