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
Mitra 把 synthetic prior design 本身变成研究对象，系统比较 SCM 与 tree-based prior 的多样性和混合。
LEARNED OBJECT
它真正学习或预测的对象
在混合 synthetic task priors 上 meta-learned 的 tabular prediction algorithm。
P11 USE
P11 可以从这里拿走什么
把 prior family、mixture weight、task compiler 与 downstream generalization 分开记录，并作为 synthetic-pretraining baseline。
EVIDENCE BOUNDARY
不要从这篇论文多推一步
使用 SCM 生成训练任务只说明 prior 来源；它不证明下游模型识别了真实 SCM、干预分布或 counterfactual coupling。
READING PATH
建议阅读路径
- 先看 prior families 与 diversity/distinctiveness 选择准则。
- 再看 mixture ablation 与 classification/regression 结果。
- 最后把 synthetic SCM prior 与 causal query 能力严格分开。
P11 INTERNAL MATERIAL
已有项目材料
暂无独立 P11 解读页
- 当前没有下载到仓库的第三方原文；先使用上方一手链接。
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。