Version History

我们报告预测编码网络（Predictive Coding Network, PCN）在语言建模上的一项系统性单卡研究，得到六个主要发现。第一，二维不对称规律：误差流变体的优势沿减数据轴单调上升至 +84%，沿加参数轴呈倒 U 形峰值 +60.8%（≈1000 tokens/parameter）。第二，组合性质与对称不可达性：PCN 的复制能力经 13 个变体和 2×2×2 全因子双向对照证明不可分解为任何单子件；微调权重约束（ΔW ≈ TF/2）呈现同一模式，构成第二涌现性质。第三，局部学习规则边界：Whittington-Bogacz 式规则在 MLP 上等价但在 PCN 上差距 2.4-3.7×。第四，五次测量偏差被预设程序捕获并提炼为方法学条款。第五，终端适应边界：跨域冷启动成立（+58.5%），域内无空间，遗忘权衡揭示权重约束=参数经济性。第六（v4 新增），稀疏激活与冷启动完全兼容：25% Top-K 稀疏使 PPL 改善 14.4%且冷启动能力完整保留（+57.9% vs 稠密 …

我们报告预测编码网络（Predictive Coding Network, PCN）在语言建模上的一项系统性单卡研究，得到五个主要发现。第一，规模-数据比规律：误差流变体相对 Transformer 的优势随 tokens/parameter 比下降呈倒 U 形，峰值 ≈1000（WikiText-103 上 +60.8%），数据充裕后被反超。第二，组合性质与对称不可达性：PCN 在小样本精确复制任务上的能力（5/5 vs 0/30）经 13 个变体双向对照证明不可分解为任何单子件；微调时的权重变化幅度约束（ΔW ≈ TF/2）呈现同一模式，构成第二个涌现性质。第三，局部学习规则的适用边界：Whittington-Bogacz 式局部规则在 MLP 上与反向传播完全等价，但在 PCN 结构上存在 2.4-3.7× 的结构性差距。第四，测量纪律：四次系统性测量偏差均被预设验证程序捕获并提炼为方法学条款。第五，终端适应的真实边界：误差流的适应优势属于跨域/冷启动（+58.5% vs 公平 TF …

我们报告预测编码网络（Predictive Coding Network, PCN）在语言建模上的一项系统性单卡研究，得到四个主要发现。第一，二维不对称规律：误差流变体相对 Transformer 的优势沿两条正交轴呈不同形态——减数据轴（固定模型、数据量递减）优势单调上升至 +84%；加参数轴（固定数据、参数递增）呈倒 U 形，峰值出现在约 1000 tokens/parameter（WikiText-103 上 +60.8%）。该规律对终端个性化场景（冻结中等模型+少量用户数据微调）具有直接部署指导意义。第二，组合性质：PCN 在小样本精确复制任务上的能力（15/15 对同规模 Transformer 的 0/30）经 13 个变体双向对照和 2×2×2 全因子设计（8 格全部成功），在我们检验的变体集与移植策略下被证明不可分解为任何单一组件。第三，局部学习规则的适用边界：Whittington-Bogacz 式局部规则在本研究的实现变体与测试条件下，于多层感知机上与反向传播完全等价，但在 PCN 结构上存在 2.4-3.7 倍的结构性差距。第四，测量纪律：四次系统性测量偏差（非因果泄露、基线超参次优、自建对照失效、评估双重移位）均被预设验证程序捕获，我们将其提炼为可复用的方法学条款。结果表明 PCN 是数据稀缺区间的优势架构；其能力为不可移植的组合性质。全部代码与数据已开源：github.com/Asaluther/PRISM-V4。

我们报告预测编码网络（Predictive Coding Network, PCN）在语言建模上的一项系统性单卡研究，得到四个主要发现。第一，**二维不对称规律**：误差流变体相对 Transformer 的优势沿两条正交轴呈不同形态——减数据轴（固定模型、数据量递减）优势单调上升至 +84%；加参数轴（固定数据、参数递增）呈倒 U 形，峰值出现在约 1000 tokens/parameter（WikiText-103 上 +60.8%）。该规律对终端个性化场景（冻结中等模型+少量用户数据微调）具有直接部署指导意义。第二，组合性质与对称不可达性：PCN 在小样本精确复制任务上的能力（15/15 对同规模 Transformer 的 0/30）经 13 个变体双向对照和 2×2×2 全因子设计（8 格全部成功），被证明不可分解为任何单一组件——从标准 Transformer 块移植组件无法获得该能力。第三，局部学习规则的适用边界：Whittington-Bogacz 式局部规则在多层感知机上与反向传播完全等价，但在 PCN 结构上存在 2.4-3.7 倍的结构性差距。第四，测量纪律：四次系统性测量偏差（非因果泄露、基线超参次优、自建对照失效、评估双重移位）均被预设验证程序捕获，我们将其提炼为可复用的方法学条款。结果表明 …

我们报告预测编码网络（Predictive Coding Network, PCN）在语言建模上的一项系统性单卡研究，得到四个主要发现。第一，规模-数据比规律：误差流变体相对 Transformer 的优势随 tokens/parameter 比下降呈倒 U 形，峰值出现在约 1000（WikiText-103 上 +60.8%），数据充裕后被反超；该规律成功预测了一个未测数据点。第二，组合性质与对称不可达性：PCN 在小样本精确复制任务上的能力（15/15 对同规模 Transformer 的 0/30）经 13 个变体双向对照，被证明不可分解为任何单一组件——从标准 Transformer 块移植组件无法获得该能力。第三，局部学习规则的适用边界：Whittington-Bogacz 式局部规则在多层感知机上与反向传播完全等价，但在 PCN 结构上存在 2.4-3.7 倍的结构性差距。第四，测量纪律：三次系统性测量偏差（非因果泄露、基线超参次优、自建对照失效）均被预设验证程序捕获，我们将其提炼为可复用的方法学条款。结果表明 PCN 是低数据/参数比区间的优势架构，恰好覆盖终端个性化场景；其能力是不可移植的组合性质。