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
TabSTAR 用 target-aware textual representations 处理带文本字段的表，是 P11 从 description 生成 semantic feature token 的直接语义邻居。
LEARNED OBJECT
它真正学习或预测的对象
随目标任务变化的文本/列表示，以及在多表预训练后用于分类的 task-conditioned representation。
P11 USE
P11 可以从这里拿走什么
比较 frozen/unfrozen text encoder、target conditioning 与 dataset-specific parameters，设计 feature-description 语义 ablation。
EVIDENCE BOUNDARY
不要从这篇论文多推一步
文本语义减少 schema ambiguity，但不定义 intervention semantics、mechanism invariance 或 identity-bearing Unit。
READING PATH
建议阅读路径
- 先看 target tokens 如何进入 text representation。
- 再看预训练跨多少数据集、哪些参数共享。
- 最后审计 text-rich scope 与普通 mixed-type tables 的差异。
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。