上周的Tenacious-Bench实验交出了一份漂亮成绩单：LoRA适配器在B2B销售邮件任务上，Delta A提升0.263，p值小于0.0001。数字好看，但一个更棘手的问题浮出水面——模型到底学会了Tenacious的写作风格，还是只是记住了大量相似样本的表面特征？
这篇分析从三个机制层面拆解答案：逐词元的交叉熵优化目标、LoRA梯度流动方式，以及低多样性数据增强如何制造"虚假收敛"。
交叉熵到底在优化什么
自回归监督微调中，模型每一步都在预测下一个词元。交叉熵损失衡量的是：模型给"正确的下一个词元"分配了多少概率质量。
注意这里的优化目标——不是"要诚实"，不是"要谨慎"，也不是"要像Tenacious"。目标很纯粹：在训练分布中，给目标词元分配高概率。
如果训练目标恰好体现了Tenacious的行为特征，风格提升是副产品。但优化靶心始终是词元预测准确率。
冻结基座权重时，LoRA梯度如何流动
每个被适配层的计算方式是：W = W₀ + BA。其中W₀冻结不动，只有A和B两个低秩矩阵可训练。
反向传播时，梯度会流经完整的前向计算图，但参数更新只作用于A/B。这意味着LoRA本质上是在固定骨干之上，学习一个紧凑的方向性调整。
practical层面的理解：你不是在重新训练模型的全部知识，而是在学习一个低维的"转向向量"，用以偏移输出倾向。
七个目标模块透露了什么
这次实验适配了七个模块：
注意力投影层：q_proj、k_proj、v_proj、o_proj
前馈投影层：gate_proj、up_proj、down_proj
这两个区域的分工值得关注。注意力层更新通常与更好的上下文路由相关——比如弱信号触发探询式措辞。MLP层更新则更多关联词汇/短语形态适配，这可能是想要的风格，也可能是捷径式记忆。
这正是模块级梯度范数重要的原因。没有这层诊断，"效果提升了"就是一句未经解释的结论。
低多样性是梯度问题，不只是数据表警告
数据表显示一个关键数字：94.3%的训练样本对，仅是128条原始数据的增强变体。这对优化有直接影响。
高度相似的样本会反复产生高度对齐的梯度方向。交叉熵快速奖励这些重复出现的词元模式——训练损失下降，指标上升。
但这可能对应两种截然不同的现实：
可泛化的策略学习（你想要的结果）
表面模式的强化（你担忧的情况）
交叉熵损失本身无法区分二者。
Delta A真实，但不够充分
统计显著的Delta A说明适配器在评估分布上表现提升。但它不能自动证明跨分布的稳健风格泛化。
更严谨的表述应该是："适配器在已测数据上改善了预测行为；泛化与记忆之分需要额外诊断手段。"
这是更扎实的科学，也是更可靠的工程决策基础。
热门跟贴