IAR：把文档“注入”参数，再把通用能力“找回来”

阅读定位：RAG 是文档问答的标准工程答案，但许多部署里检索不可用、不想要（延迟/隐私），或者被故意拿掉，以检验后训练是否改变了模型的参数化知识。这篇论文研究文档知识内化（document knowledge internalization）：把一个有界语料库变成可用的参数知识，推理时只看问题、不看原文。作者提出三阶段框架 IAR（Inject → Align → Recover），并用一组刻意分开的对照实验回答：密集文档暴露、QA 对齐、能力恢复各自贡献了什么。原文为 Qian Kou、Xiaofeng Shi（共同一作/共同通讯）、Xiaosong Qiu、Hua Zhou 的 Inject, Align, Recover: Staged Post-Training for Retrieval-Free Document Knowledge Internalization（BAAI）。本图谱依据 arXiv:2608.20281v1（2026-08-20）PDF，共 21 页：正文 §§1–7 + 补充材料 A–G；Figs. 1–4；Tables 1–28。

01 / 全局：无检索问答的三道坎

一句话主线： 把语料内化进参数，难点不在“学没学”，而在三件事会互相打架——QA 监督覆盖太稀、文档级训练接不上 QA 接口、领域适应会碰坏通用能力；IAR 把三件事拆成三个阶段分别干预，再用受控对照证明每一步的贡献。（PDF §§1, 3）

问题的设置比 RAG 苛刻：训练用文档派生的 QA 对，测试时模型只收到问题，没有任何检索段落。三条最直接的路线各有一个缺口（PDF §1）：Vanilla SFT 让模型学会测试时的输入输出格式，但学习信号稀疏——只有被 QA 生成器选中的事实进入损失；续训（CPT） 提供密集的文档暴露，却不教模型怎么回答问题；而两条路线都面临灾难性遗忘——领域变强、指令遵循和通用基准变弱。

IAR 把这三个缺口变成三个可检验假设，并各配一个阶段（PDF §3“Why Three Stages?”）：Inject 检验“更密的文档级监督是否有用”（不是原始续训，而是指令化的文档重构任务）；Align 检验“注入的知识能否通过 QA 接口取出来”（answer-only 监督）；Recover 检验“适应后的模型能否向原始指令模型回移、找回通用能力”（事后权重合并 + 验证集选点）。论文特意强调：这是实验分解而非单一秘方——某一阶段的负结果不波及其他阶段，强 SFT 基线只是“同一种适应预算的另一种花法”。（PDF §3）

核心结果速览（Table 1 主比较）： CC 语料上，IAR 对四个模型家族在领域准确率和三项通用指标上全胜 Vanilla SFT；CCI 上，Llama、Qwen3-4B、SmolLM3 同样全胜，Phi 是边界情形（IFEval、MSBench 更好，领域与 MMLU 略降）——合计 8 个设置中 7 个全指标胜出。最亮的单点：Qwen3-4B CC 领域准确率 50.5% 对 Vanilla 的 42.4%，同时三项通用指标全部更高。（PDF §5.1, Table 1）

原论文 Fig. 1 把 IAR 与两条对照路线画在同一版面上，建议对比着读： 上两条横带是 Vanilla SFT（QA 对 → answer-only 损失 → 事实覆盖稀疏，红色警示）和 CPT+SFT（原文 token 流 → next-token 损失 → 再单独 QA 对齐）；下面的大框是 IAR 三阶段——Inject 的三种文档生成目标（continue 给前缀续写后缀、rewrite 从骨架/大纲重构全文、reconstruct 凭阅读指令重构全文），Align 的 answer-only QA 损失，以及 Recover 的“与基模型合并 → 在领域-通用平面上选前沿点”。右侧三个图标是最终交付物：内化的文档知识、无检索 QA、找回的通用能力。（PDF p. 2, Fig. 1）

↔ 横向滚动查看图内细节

02 / 三阶段机制：每一步到底做什么

1. 01

   Inject：指令化文档注入

   把语料变成密集的监督目标

   把清洗后的文档转成三类助手目标损失任务：Continuation（给指令化前缀、预测后缀）、Rewrite（给生成的摘要/大纲/知识骨架、重构完整文档）、指令化重构（给通用阅读指令、重构完整文档）；按整数配比混合（如 1:0:0、1:1:1、1:1:2），提示词 token 全部掩码。

   为什么需要

   QA 对只覆盖文档事实的一个子集；指令化重构既提供密集暴露，又保留指令-目标边界，不同于没有 QA 接口的原始 token 流 CPT。

   交给下一阶段

   注入了文档知识的检查点 θI。

   PDF §3.1, Eq. 1, Table 7；附录 B
2. 02

   Align：answer-only QA 对齐

   把知识接到问答接口上

   在文档派生 QA 对上做 answer-only SFT（Eq. 3），从注入检查点 θI 出发得到 θIA；对照组 Vanilla SFT 从原始指令模型 θ0 出发（Eq. 4）。

   为什么需要

   文档级训练不等于会答题；这一阶段检验注入的知识能否在 QA 接口下被“取出来”。

   交给下一阶段

   恢复前的领域适应检查点 θIA（Best IA）。

   PDF §3.2, Eqs. 3–4
3. 03

   Recover：事后合并恢复

   找回被适应碰坏的通用能力

   计算任务向量 Δ = θIA − θ0，用 SLERP/Task Arithmetic/TIES/DARE 四族共 12 个固定候选做合并（Eq. 5）；在验证集上按“领域优先前沿”规则选点（τ = 1 个百分点）：先保证领域分不低于 Vanilla −τ，再要求通用均值不低于 Vanilla 且三项中至少两项不逊于 Vanilla −τ，最后在非支配候选里按领域分层、层内取通用均值最大者。

   为什么需要

   合并把适应“调回”基模型方向，部分恢复遗忘的通用能力；选点规则在测试前固定，使报告的操作点可审计而非事后搜索。

   这一阶段留下什么

   最终 IAR 检查点（Table 16 记录每个设置选中的算子与系数）。

   PDF §§3.3, 4.1, E；Tables 15–16

Inject 与 CPT 的分界线：损失写在哪个接口上

Inject 的损失（Eq. 1）把每种目标 $m$ 的样本视为“指令 $u$ + 文档目标 $y$”的监督对，按经验采样份额 $\pi_m$ 混合（$\pi_m$ 是实际行数占比，不是自由损失系数），且只对助手目标 $y$ 计损：

而原始续训（Eq. 2）直接对文档流做 next-token 预测，$\mathcal{L}_{\mathrm{CPT}}=-\frac{1}{T}\sum_t\log p_\theta(x_t\mid x_{<t})$，没有指令-目标边界，也没有 QA 接口。论文特别说明：配比标签 1:0:0 指“带阅读提示的纯重构 Inject”，不要与原始 CPT 基线混淆。（PDF §3.1, Eqs. 1–2；附录 B, Table 7）

CPT + SFT

先对原文 token 流做 next-token 预训练，再单独做 QA SFT。

用于哪些任务

常规 dense-document 基线；主表从对应 Base 检查点出发。

怎样判断

文档建模与问答接口分离，知识可能“在参数里却答不出来”。

作用机制

主表中 CPT+SFT 通用指标大幅塌陷（如 Llama CC：IFEval 26.4、MMLU 3.7），域内提升有限。

关键价值

原始流没有指令-目标边界，也无 QA 行为约束；且 Base 初始化与 IAR 的 Instruct 初始化不同，不能单独归因于目标形式（Table 23 的 Instruct-CPT 诊断另行列出）。

PDF §§3.1, 4.2, Table 1；附录 G

Inject（IAR 阶段一）

续写、改写、指令化重构三类助手目标损失任务。

用于哪些任务

从指令模型出发，提示词掩码，只对文档目标计损。

怎样判断

密集暴露与指令接口同时保留：模型在“按指令产出文档内容”中接触全部事实。

作用机制

RQ3：恢复前 Best IA 在 8/8 设置上领域准确率超过 Vanilla SFT（+0.4 至 +7.7 点）。

关键价值

作者机制主张：结构化文档暴露在合并恢复之前就贡献了可测量的领域信号；但最优配比随模型与语料而变，论文不支持“万能配比”。

PDF §5.3, Fig. 3, Tables 26–27

Recover 的选点规则：交付的不是“领域最高”

恢复阶段把任务向量 $\Delta=\theta_{\mathrm{IA}}-\theta_0$ 用 $\theta_R=\theta_0+\lambda\Delta$ 的形式回调（Eq. 5），从固定的 12 候选网格（SLERP $t\in\{0.2,0.3,0.4\}$、Task Arithmetic $w\in\{0.3,0.5,0.7\}$、TIES $d\in\{0.3,0.5,0.7\}$、DARE $dr\in\{0.1,0.3,0.5\}$）中选一个。选择发生在验证集上、测试集评估之前，规则为（τ = 1 个百分点）：① 领域可行——$D(c)\geq D(v)-\tau$（$v$ 为 Vanilla SFT）；② 通用护栏——$G(c)\geq G(v)$ 且 IFEval/MMLU/MSBench 中至少两项不低于 Vanilla $-\tau$；③ 领域优先分层——非支配候选中，与最优领域分相差 $\tau$ 以内者属同一层；④ 层内取 $G(c)$ 最大者，再按最小通用改进、同族较小系数打破平局。（PDF §4.1；附录 E）

教学算例（本图谱自造，非论文实验）： 设三个非支配候选 $(D,G)$ 为 $(50.5,\,47.4)$、$(50.3,\,49.0)$、$(48.0,\,55.0)$，$\tau=1.0$。领域最高层是 $\{50.5, 50.3\}$（与 50.5 差 ≤1.0），$(48.0,\,55.0)$ 虽然通用最强却不在层内；规则在层内取 $G$ 最大者，选中 $(50.3,\,49.0)$——它既不是领域最高点，也不是通用最高点，而是“领域优先、通用决胜”的前沿操作点。论文 Table 16 显示实际选中：CC 上三个模型选 TIES $d{=}0.3$、Phi 选 Task Arithmetic $w{=}0.7$；CCI 上 Llama/Phi 选 TIES、Qwen/SmolLM 选 Task Arithmetic。（PDF 附录 E, Table 16）

原论文 Fig. 4 把这套选择画成了 8 张前沿散点图（每个数据集-模型设置一幅）：横轴领域 QA、纵轴通用均值，四种颜色/形状对应四族算子，黑线是非支配前沿，黑圈是验证协议选中的候选。三个值得注意的模式：SLERP（蓝）与 Task Arithmetic（橙）沿前沿分布；DARE（紫菱）成片沉在通用低端；被选中的黑圈永远站在“领域几乎不亏、通用大幅高于底部”的前沿拐角上——这正是 τ=1 分层规则的几何含义。图中展示的是测试集表现，但仅作诊断，选择早在验证集上完成。（PDF p. 16, Fig. 4；附录 E）

↔ 横向滚动查看图内细节

03 / 数据与评测：分数从哪来、能信到哪

QA 对是怎么造出来的。 CC（源自 Common Corpus）与 CCI（源自 CCI4.0 系列）使用同一条 anchor-aware 流水线：先从文档块抽取可独立指称的锚点（禁止“该方法”“上述机制”这类回指表达），判断题型适用性，生成自足问题（必须显式命名锚点、脱离原文可懂、禁用“根据原文”），校验后再用同一文档块生成 grounded 答案。测试时模型只收到问题——这是比 RAG 更严格的契约。（PDF §4.2；附录 A–B, Tables 4–5）

数据规模账目（附录 B, Table 6）： CC 从 4,001 个输入文档出发，文件级过滤掉 48.6%，最终实验用 QA 15,008 条（14,258 训练 + 750 测试）；CCI 从 7,000 个文档出发（仅滤掉 4.4%），最终 11,501 条（10,926 + 575）。作者坦白了两点：两个语料的过滤路径不同，阶段比率只能刻画数据流、不能直接当“数据集质量分”横向比较；这些机器检查（重复、回指、答案-原文重叠）不能替代人工验证。（PDF 附录 B, Table 6）

评审面板与其可靠性审计（附录 D）： 领域 QA 用自适应 LLM 评审——两名评委先各自按 $\{0,\,0.5,\,1\}$ 打分（1=核心结论正确，0.5=大体正确但不完整/有瑕疵，0=错误或矛盾），分歧时叫第三名，取中位数；评委组合包括 gpt-oss-120b、MiniMax-M2.5、DeepSeek-V3 系列。作者没有把这当作金标准，而是做了全量审计：343 个结果文件、242,255 条答案记录，前两名评委完全一致率 .707、按 ≥.5 折算的二值一致率 .848、Cohen's $\kappa=.691$、第三名触发率 .297。通用侧：IFEval 与 MMLU 走规则/答案键，MSBench 用固定 200 例子集（来自公开的 iic/ms_bench）加 LLM 评审。每个结果文件配 2,000 次 bootstrap 重采样给出评测采样不确定区间——但论文明言这不覆盖训练种子鲁棒性：所有检查点都是单次训练、生成与评审无固定采样种子。（PDF §4.3；附录 C–D, Tables 12–14）

读这份评测的正确姿势（读者视角）： 领域分和 MSBench 分都是“评审产出的测量值”，不是答案键标签；κ=.691 说明评委间只是实质性一致而非高度一致，小幅分差（如 ±1 点以内）不宜过度解读——这也正是论文把 τ 设为 1 个百分点、把边界情形写进主表的原因之一。（对应 PDF §4.3、附录 D）

04 / 实验图谱：四个研究问题各自回答什么

研究问题设置 / 对照观察

01RQ1：IAR 是否改善领域-通用操作点？

Table 1：4 个模型家族 × CC/CCI 两个语料，对照 Base Instruct、Vanilla SFT、Base 初始化的 CPT+SFT；同一评审协议。

CC 上 IAR 对全部四个家族在四指标上全胜 Vanilla；CCI 上 Llama/Qwen/SmolLM 全胜，Phi 为边界（IFEval 51.6 vs 47.8、MSBench 44.0 vs 31.5 更好，领域 39.7 vs 40.2、MMLU 50.2 vs 53.8 略降）。合计 7/8 设置全指标胜出；平均 +3.6 点领域、+12.1 点通用均值。Qwen3-4B CC 最亮：42.4→50.5 且三项通用全部更高。这是整系统比较，归因要靠 RQ2–RQ4。

PDF §5.1, Table 1

02RQ2：增益是否只是“多训了 token”？

Table 2：BudgetMatch 用与 Inject+Align 等 token 量的纯 QA 训练（14/17/21/11 epoch）；对照 Vanilla 与 IAR。

BudgetMatch 在 CC 上确实变强（领域 +4.9/+4.4），但 CCI Llama 基本不变、CCI Qwen 反降 2.9 点。IAR 相对 BudgetMatch：4 个设置中 3 个领域更高、4 个通用均值全部更高；16 项指标比较赢 14 项（例外：CC Llama 领域、CC Qwen MMLU）。CC Llama 是真正的权衡点：IAR 用 3.9 点领域换 11.0 点通用。结论：token 分配解释 CC 的一部分增益，解释不了分阶段暴露+恢复带来的操作点。

PDF §5.2, Table 2, Fig. 2

03RQ3：Inject+Align 在恢复之前有没有独立贡献？

Fig. 3 与 Tables 26–27：恢复前 Best IA 与 Vanilla SFT 的领域对比，覆盖 8 个设置与 5 种配比。

8/8 设置 Best IA 全胜 Vanilla：CC +2.8/+7.7/+5.3/+4.7，CCI +5.6/+6.1/+0.4/+2.3。最优配比不统一：Llama/Phi 偏好 Mixed 1:1:2，Qwen3-4B CC 偏好 1:1:1，CCI 偏好纯重构 1:0:0。论文因此只主张“结构化暴露有可测量贡献”，不主张万能配方。

PDF §5.3, Fig. 3, Tables 26–27

04RQ4：恢复模式在更大模型上是否复现？

Table 3：Qwen3-8B/14B/32B on CC，同选 TIES d=0.3；与 Base/Vanilla/Best IA 对照。

IAR 领域分保持在 Best IA 的 1.1 点以内（代价 0.7/0.9/1.1），通用均值提升 +14.9/+24.1/+17.8 点，且三项基准各自都涨（如 32B：IFEval +14.0、MMLU +11.5、MSBench +28.0）。Best IA 相对 Vanilla 仍有 +8.8/+5.7/+7.5 领域增益——恢复不是“白捡”，适应与恢复两段的贡献都可见。但恢复是部分的：通用分没有全面回到原始模型水平；且三行同属 CC+同一密度，论文只声称“族内重复模式”，不声称缩放定律。

PDF §5.4, Table 3

05扩展基线压力测试：IAR 是否被别的方法取代？

Tables 21–22（CC-only）：SDFT、LoRA、Replay、FAPM 与 IAR 同协议比较。

SDFT 是强数据配方基线（Llama CC 领域 39.9 > IAR 36.5，IAR 仅在此居第二）；LoRA 与 FAPM 常保住更强的单项通用指标（如 Qwen：FAPM IFEval 83.8/MSBench 85.0 远高于 IAR 59.8/63.0），但领域内化明显落后。IAR 在 Phi/Qwen/SmolLM 上领域最佳。正确读法：IAR 是强“领域优先”操作点，不是全指标碾压。

PDF §5.1, Tables 21–22；附录 G

06剪枝式恢复（FAPM）与合并式恢复差在哪？

Tables 24–25：FAPM 在稀疏度 0.9 下保留任务向量前 10% 条目，分别作用于 Vanilla（Vanilla-FAPM）与 IA（IA-FAPM）检查点。

FAPM 的通用恢复确实好，但领域列暴露代价：CC Llama 35.5→22.3，CCI Qwen 75.1→68.9——剪枝把内化的文档知识一起剪掉了。它回答了“为什么 FAPM 不是 IAR 的即插即用替代”：两者优化的是不同的操作点。

PDF 附录 G, Tables 24–25

主表精选（Table 1，单位 %）： 每格为“领域 / IFEval / MMLU / MSBench”。读法：先看 Vanilla SFT 相对 Base 的遗忘幅度（通用三项齐跌），再看 IAR 拉回来多少、领域付出什么。（PDF §5.1, Table 1）

设置	Vanilla SFT	IAR	读数
CC · Llama-3.2-3B	35.5 / 54.2 / 11.2 / 21.5	36.5 / 60.2 / 35.0 / 30.5	四指标全胜；MMLU +23.8
CC · Phi-4-mini	24.4 / 47.8 / 51.0 / 32.5	34.1 / 49.0 / 57.0 / 43.0	领域 +9.7，最大单点涨幅
CC · Qwen3-4B	42.4 / 51.1 / 8.8 / 51.0	50.5 / 59.8 / 19.5 / 63.0	论文点名的最清晰案例
CC · SmolLM3-3B	32.1 / 35.6 / 10.5 / 25.0	37.5 / 40.3 / 25.7 / 29.0	四指标全胜
CCI · Llama-3.2-3B	53.0 / 61.2 / 22.5 / 31.5	55.3 / 61.3 / 33.2 / 36.5	四指标全胜
CCI · Phi-4-mini	40.2 / 47.8 / 53.8 / 31.5	39.7 / 51.6 / 50.2 / 44.0	边界：通用两项大涨，领域 −0.5、MMLU −3.6
CCI · Qwen3-4B	75.1 / 45.6 / 26.3 / 49.5	76.3 / 76.1 / 64.5 / 70.0	高起点（Base 已 70.6）仍全胜，通用均值 +29.7
CCI · SmolLM3-3B	52.3 / 41.7 / 16.7 / 31.5	53.9 / 57.4 / 46.8 / 47.0	四指标全胜

依据原论文 Table 1 重排。PDF p. 6. 加粗为该设置占优方；CCI Phi 行刻意保留在主表，说明“恢复”不承诺均匀支配。

本文重绘 · 原论文 Table 1

Vanilla SFT → IAR：通用三项的恢复幅度（CCI · Qwen3-4B）

单位：%；该设置通用均值 +29.7 点

PDF p. 6, Table 1

IFEval

起点 45.6%终点 76.1%+30.5 个百分点

MMLU

起点 26.3%终点 64.5%+38.2 个百分点

MSBench

起点 49.5%终点 70%+20.5 个百分点

0%100%

查看图表数据

项目	起点（%）	终点（%）	变化（百分点）
IFEval	45.6	76.1	+30.5
MMLU	26.3	64.5	+38.2
MSBench	49.5	70	+20.5

本文重绘 · 原论文 Table 1

Vanilla SFT → IAR：领域准确率（CC 四家族）

单位：%

PDF p. 6, Table 1

Llama-3.2-3B

起点 35.5%终点 36.5%+1.0 个百分点

Phi-4-mini

起点 24.4%终点 34.1%+9.7 个百分点

Qwen3-4B

起点 42.4%终点 50.5%+8.1 个百分点

SmolLM3-3B

起点 32.1%终点 37.5%+5.4 个百分点

0%100%

查看图表数据

项目	起点（%）	终点（%）	变化（百分点）
Llama-3.2-3B	35.5	36.5	+1.0
Phi-4-mini	24.4	34.1	+9.7
Qwen3-4B	42.4	50.5	+8.1
SmolLM3-3B	32.1	37.5	+5.4

原论文 Fig. 2 用一张散点图总结 RQ2： 横轴领域准确率、纵轴通用均值，每个箭头从 BudgetMatch（橙方块）指向 IAR（蓝圆点）。三个箭头向右上走（CCI Qwen 最陡：通用从约 46 拉到约 70），只有 CC Llama 向左下走——这就是论文说的“3/4 上移右移，CC Llama 是真实权衡”。箭头比表格更直观地说明：IAR 的增益模式随语料而变，不是统一平移。（PDF p. 5, Fig. 2）

↔ 横向滚动查看图内细节

原论文 Fig. 3 是 RQ3 的证据主体： 八根柱子是恢复前 Best IA 相对 Vanilla SFT 的领域增益（pp），7 根绿柱、1 根粉紫短柱——唯一的小增益（+0.4）是 CCI Qwen3-4B，即“高起点边界”：原始指令模型在该语料上已有 70.6% 领域分，注入可提升的余量天然有限。附录 F 的 BPB 诊断给出旁证：Qwen3-4B 对 CCI 源文本的条件 bits-per-byte 低于全部三个同侪（配对 95% 区间全为负），与“更强的语料先验”一致——但作者明确限定：这不能证明记忆、数据重叠或污染，也不能解释因果。（PDF §5.3, Fig. 3；附录 F, Table 17）

↔ 横向滚动查看图内细节

RQ4 缩放表（Table 3，CC，单位 %）： 三个尺寸都重复同一签名——领域微降（≤1.1 点）、通用大涨。注意最后一行对照：恢复后的通用分仍低于 Base Instruct，论文据此强调“恢复是部分的”。（PDF §5.4, Table 3）

模型	方法	领域	IFEval	MMLU	MSBench
Qwen3-8B	Base Instruct	38.5	87.6	65.3	82.5
Qwen3-8B	Vanilla SFT	48.7	56.4	14.0	52.5
Qwen3-8B	Best IA	57.5	50.6	18.5	48.5
Qwen3-8B	IAR (TIES d=0.3)	56.8	62.2	26.7	73.5
Qwen3-14B	Base Instruct	40.4	90.0	72.5	81.5
Qwen3-14B	Vanilla SFT	54.8	62.9	54.5	57.0
Qwen3-14B	Best IA	60.5	53.5	40.3	42.0
Qwen3-14B	IAR (TIES d=0.3)	59.6	67.5	67.2	73.5
Qwen3-32B	Base Instruct	47.2	87.5	74.8	84.5
Qwen3-32B	Vanilla SFT	56.4	58.5	44.0	56.5
Qwen3-32B	Best IA	63.9	53.0	63.0	44.5
Qwen3-32B	IAR (TIES d=0.3)	62.8	67.0	74.5	72.5

原论文 Table 3。PDF p. 7. 另注意论文的来源诚实声明：三个缩放行的原始 Inject/Align 训练日志不在档案中，作者拒绝推断其超参，Table 8 的公共配置不覆盖这三行。（PDF 附录 C）

05 / 综合：分解为什么有效，边界在哪里

这篇论文的价值不止是一个更好的分数，而是把“适应预算”拆成了可审计的三份。RQ2 证明 token 量本身只解释一部分（CC 的 BudgetMatch 有效、CCI 失效）；RQ3 证明结构化暴露在恢复之前就有独立领域贡献（8/8 为正），但配比要按模型和语料调；RQ4 证明适应与恢复在更大模型上仍然可分——Best IA 先抬高领域，Recover 再用 ≤1.1 点的领域代价换回 14.9–24.1 点的通用均值。三层结论各自有对应的对照组支撑，没有靠单张排名表说话。（PDF §§5.2–5.4）

正确的整体读法是“前沿”而非“碾压”（论文自己的措辞）： 在扩展基线下，SDFT 可以在 Llama 上赢得领域分，LoRA 和 FAPM 可以赢得单项通用指标——但它们都不同时占据领域前列；IAR 的定位是“领域优先操作点上最强的通用剖面之一”。部署端到底要领域、要通用、还是都要，仍取决于场景，论文保留边界行（CCI Phi、CC Llama）正是为了说明这一点。（PDF §§5.1, 6）

证据的仪器边界要一起读： 领域分与 MSBench 分来自 LLM 评审面板（κ=.691），不是答案键；每设置单次训练、生成与评审无种子，bootstrap 区间只覆盖评测采样不确定性；高分差的对比（如 +29.7 通用均值）稳健性远好于小分差（±1 点级）。高起点 CCI Qwen 的 BPB 诊断只支持“语料先验更强”这一方向性解释，作者明确不主张污染结论——读者也不应替它主张。（PDF §4.3；附录 C–F）

复现要点清单： 数据——CC 14,258/750、CCI 10,926/575（anchor-aware 管线，测试仅问题）；训练——Inject 3 epoch（配比按 Table 10：多数 1:1:2、Qwen CC 1:1:1、CCI 1:0:0；约 19k 行），Align 3 epoch answer-only，共享优化配置 AdamW lr 5×10⁻⁵、cosine warmup 0.05、BF16、有效 batch 64、ZeRO-2、8×A100-40GB（Table 8）；恢复——12 候选固定网格 + τ=1 的领域优先验证集选点（Table 16 记录各设置选中的算子）；评测——自适应三评委 {0, 0.5, 1} 取中位数，IFEval/MMLU 走规则，MSBench 固定 200 例 + 评审；BudgetMatch 对照——epoch 数按 IA token 量匹配（14/17/21/11）。（PDF §§3–4；附录 B–E）