第一阶段：我以为只要把模块换强一点就行#

最开始的想法很朴素：既然原模型里面有几个专家，那我能不能把这些专家换得更强一点？

比如注意力模块换成更强的变体，卷积专家改成多尺度结构，循环专家加一点时间感知，状态空间那一路也做一点增强。这个方向听起来很合理，因为原模型本来就在讲“不同专家负责不同模式”，那我把专家本身加强，模型不就应该更强吗？

结果并没有。

有些改法训练指标看起来还行，有些改法甚至在前几轮有一点点让人误会的上升。但一到真正关心的窗口级评估，基本又掉回去了。最烦的是它不是大崩，而是那种差几个千分点的波动。你很难第一时间判断它到底是有效，还是纯粹随机抖了一下。

后来我慢慢意识到，专家变强不等于系统变强。原来的框架不是简单缺一个更强的模块，而是很多模块之间的分工本身就不够稳定。你把其中一个专家换强了，路由器未必真的会更会用它。甚至有时候专家更强，反而会让原本就不清楚的分工更乱。

这一步给我的教训是：不要把“模块更复杂”自动理解成“方法更好”。

第二阶段：我差点被一个好看的结果骗了#

中间有一段时间，我确实跑出过一个挺好看的结果。

那时候我非常激动，因为指标终于接近我想要的线了。那种感觉真的很容易上头。你会开始想：是不是终于找到了？是不是可以不用继续折腾了？是不是这条路能写成一个方法？

但冷静下来一拆，问题就来了。

那个提升更多来自工程层面的校准、融合和统计先验。它确实能把最终预测调得更顺，但它不像一个干净的模型框架创新。放在实验里可能好看，写到论文里就很尴尬。别人一问“你的核心方法是什么”，我不能只说我在输出后面又调了一层。

更麻烦的是，我后来尝试把这套有效的工程策略搬进模型内部，结果也没能复现那个提升。

原因现在想想也不奇怪。外部校准是直接作用在最终概率上的，它不需要被主干网络理解，也不需要经过训练过程稀释。可一旦塞进模型内部，它就要和主干表示、损失函数、早停策略、dropout、门控一起博弈。最后模型可能学会忽略它，也可能把它吸收到别的偏置里。总之，外面好用，不代表里面也好用。

这一步给我的教训是：一个技巧能提升指标，不代表它就是一个能讲清楚的方法。

第三阶段：我开始怀疑原框架的几个假设#

后来我把思路拉回原始代码，重新看它到底在假设什么。

它有一个很关键的叙事：不同频率的信息应该交给不同专家处理。这个说法本身挺漂亮，但代码里并没有特别强的约束去保证这件事真的发生。也就是说，论文里讲的是“专家分工”，但训练过程中专家到底有没有按这个分工学，其实不一定。

于是我做了一个更干净的尝试：让路由器显式看到频率信息，再加一点很弱的专家专门化约束，让不同专家尽量靠近自己该处理的频带。

这个改法比单纯换专家更像方法，也确实比原始版本好一点。

但也只是好一点。

它没有成为真正的突破。加得太强，模型会被约束拖住；加得太弱，作用又不明显。最后最好的情况，也只是比干净基线多一点点，离我真正想要的结果还有距离。

这一步给我的教训是：论文叙事里的“应该如此”，不一定能直接变成有效训练信号。

第四阶段：我试着对齐评估指标，结果更差#

因为最终看的不是普通逐点指标，而是窗口级、题目级的聚合结果，所以我又想：那训练目标是不是也应该更靠近这个评估方式？

于是我做了一个题目聚合辅助目标。大概意思是，不只让每个位置预测对，还让同一题目的平均预测和平均正确率更接近。这个想法听起来也很合理，甚至比前面的频率约束更贴近最终指标。

但结果更差。

这个失败让我挺难受的，因为它不是一个拍脑袋的方向。它确实是从评估指标倒推出来的。可问题在于，batch 里的题目聚合太粗糙了，信号不够干净。它想修正最终窗口指标，但训练时看到的是局部 batch 里的近似统计，噪声很大。最后不仅没帮上忙，还把原本还算稳定的预测拉偏了。

这一步给我的教训是：对齐指标不是把指标形式搬进 loss 里那么简单。

第五阶段：我开始做删减，而不是继续堆东西#

前面几轮失败以后，我终于不太想继续“加模块”了。

原模型本来就有两条分支，一条处理主要序列信息，一条处理时间信息，最后再融合。我一开始觉得这很完整，但跑多了以后开始怀疑：这两条分支是不是有点重复？时间分支是不是没有必要再走一套完整的大模型？

所以我做了一个删减版：保留主分支，把时间信息改成轻量的残差校正。也就是不再让时间分支单独跑完整主干，而是让它只负责对主表示做一点修正。

这个方向至少有一个好处：显存明显降了，结构也更清楚。结果上也比干净基线好一点。

但还是不够。

它证明原来的双分支可能确实有冗余，但也证明“删掉冗余”不等于“拿到突破”。一个更轻的结构如果只能带来一点点提升，那它可以作为工程优化，也可以作为消融观察，但还撑不起我想要的那种论文级故事。

这一步给我的教训是：删减是好事，但删完以后必须带来足够明确的收益，否则它只是一个更省的版本。

最折磨的地方：每一步都不是完全没道理#

这几天最折磨我的地方在于，很多失败方向并不是一眼就知道不行。

换专家，有道理。

加强路由，有道理。

频率专门化，有道理。

对齐窗口指标，有道理。

删掉冗余分支，也有道理。

但科研不是“有道理”就行。最后要看结果，要看能不能稳定复现，要看是不是能讲成一个干净的方法，还要看它是不是比原方法真的强。

我之前很容易被“这个想法合理”骗进去，然后在一个方向上继续磨。磨到最后发现，它只是合理，不是有效。

我现在对这件事的判断#

现在回头看，我觉得真正的问题可能不是某一个模块不够强，而是这套系统已经被调到一个比较难动的位置了。

它不是那种随便加一个注意力变体、加一个先验、加一个辅助 loss 就能明显上涨的模型。它的很多提升空间都被训练策略、数据切分、评估方式和输出校准绑在一起。只改模型内部一小块，很容易被整体系统吞掉。

所以我现在不太相信“再换一个模块就能起飞”了。

如果后面还要继续，我觉得应该只做两类事情：

第一类是非常干净的结构重写。不是给原模型继续贴补丁，而是明确指出原框架哪里冗余、哪里假设不成立，然后做一个更简洁的替代结构。

第二类是承认有效信号来自预测校准或统计先验，然后把它设计成一个训练阶段可解释、推理阶段仍然干净的机制。否则就会一直卡在“结果好看但方法不好讲”的尴尬位置。

这几天最大的收获#

听起来有点丧，但这几天不是完全白跑。

至少我确认了几件事：

• 单纯增强专家模块，基本不是突破口；
• 外部校准有效，但不等于模型创新；
• 把外部技巧硬塞进模型内部，提升会被稀释；
• 频率专门化有一点价值，但不够强；
• 题目聚合辅助目标看似对齐评估，实际很容易引入噪声；
• 删掉冗余分支能让结构更轻，但目前还不足以带来大提升；
• 真正该警惕的是“看起来合理但结果不稳定”的方向。

以前我总觉得失败是因为还没找到那个正确的 trick。现在我稍微清醒一点了：有时候不是 trick 没找对，而是问题本身就不在 trick 那里。

接下来如果还要做，我应该少一点“再试一个”的冲动，多一点“这个假设到底能不能被证明”的耐心。

不然就是继续跑，继续等，继续看到一个差不多的数字，然后继续失望。

这几天已经够了。