TECHNICAL DETAILS
这份资料下面的技术细节文章
技术文章属于当前资料，不与 P11 研究项目入口平级。
暂无技术细节文章
以后针对这份资料形成的代码解读、公式拆解或机制实验，都会继续落在本资料页下面。
WHY NOW
为什么现在读它
它不再只比 accuracy，而是干预 TabPFN、TabICLv2 与 Mitra 的表示和 readout；row token、similarity vote 与 invariance 都因此有了可检查前例。
LEARNED OBJECT
它真正学习或预测的对象
三个 TFM 在 context 中实现的相似度/原型 readout 算法，以及这些算法的表示位置、排列不变来源与失败模式。
P11 USE
P11 可以从这里拿走什么
把 semantic feature identity、Unit-local abduction、population borrowing 与最终 readout 分成可干预阶段，并设计专门 ablation。
EVIDENCE BOUNDARY
不要从这篇论文多推一步
这里的 mechanistic 指神经网络内部计算机制，不是物理或因果机制；row representation 也不自动成为 identity-bearing Unit。
READING PATH
建议阅读路径
- 先看三种模型的 token layout 与最终 readout 对照。
- 再看 representation/readout intervention 如何建立机制解释。
- 最后读 invariance 与 engineered failure modes，提取 P11 必须超越的 claim。
P11 INTERNAL MATERIAL
已有项目材料
已配套本地中文导读（见下方 README）
papers/P11-tabular-foundation-models/related-materials/mechanistic-tfm-arxiv-2605.21288v1/README.md
MY READING NOTE
我的浏览器便笺
可以马上写、刷新后继续。它不上传到服务器，也不会自动进入 P11 的 canonical source。
尚未读取到当前浏览器中的已保存草稿。
保存边界：只保存在当前 browser profile + 当前 origin。localhost 与 wehub.us 是两份笔记；换设备、隐私模式或清理网站数据都可能丢失。长期保存请导出 Markdown 并回填到上面的 canonical path。