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
它把 TFM 从 point prediction 推到完整 conditional density，并直接测 calibration，是 P11 typed predictive distribution 的重要评测邻居。
LEARNED OBJECT
它真正学习或预测的对象
给定 table context 的响应条件密度 p(y|x,D)，而不仅是均值或类别标签。
P11 USE
P11 可以从这里拿走什么
为 numeric head 增加 density score、coverage 与 calibration，而不是把 NLL 自动解释为 Unit belief。
EVIDENCE BOUNDARY
不要从这篇论文多推一步
更丰富的 predictive distribution 仍是观测条件分布；它不等于个体 response mechanism、which-Unit posterior 或 cross-world law。
READING PATH
建议阅读路径
- 先看 39 个数据集与六类 density/calibration 指标。
- 再比较不同样本量下 TFM 与专用 CDE baselines。
- 最后记录需要 post-hoc recalibration 的场景。
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。