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
P11 的 Unit token 也依赖可见 evidence；这篇论文正面研究 context 数量、覆盖度与随机抽样如何改变稳定性和精度。
LEARNED OBJECT
它真正学习或预测的对象
在给定一组已标注 context rows 后的 TabPFN 分类预测，以及该预测对 context subset 的敏感性。
P11 USE
P11 可以从这里拿走什么
把 evidence size、coverage 与多次抽样稳定性加入 P11 的最小实验设计，并将 context construction 视为协议的一部分。
EVIDENCE BOUNDARY
不要从这篇论文多推一步
研究集中在 15 个小型 OpenML 分类数据集；context rows 不等于同一 Individual 的 Unit-local evidence，也不提供因果识别。
READING PATH
建议阅读路径
- 先看三个问题：context size、分布代表性、feature-space coverage。
- 再核对 repeated sampling 与 selection-cost 实验。
- 最后判断结论能否迁移到 mixed-type masked-cell prediction。
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。