任务模式与绑定：面向类比学习的双重解离研究

我们提供对类比学习（ICL）的因果机制性验证，证明其分解为两个可分离的机制：任务模式（抽象任务类型识别）和绑定（特定输入输出关联）。通过跨9个来自7个Transformer家族外加Mamba模型（参数规模370M-13B）的激活修补实验，我们确立了三个关键发现：1. 双重解离：通过late MLP修补实现100%的任务模式迁移；通过残差流修补实现62%的绑定迁移——证明可分离机制 2. 先验-模式权衡：模式依赖与先验知识呈负相关（Spearman rho = -0.596, p < 0.001, N=28个任务-模型对） 3. 架构普适性：该机制在所有测试的架构中起作用，包括非Transformer的Mamba。这些发现提供了对ICL难题的机制性解释，与以往视其为单一机制（无论是基于检索、类梯度下降，还是纯贝叶斯）的观点形成对比。通过确立任务模式和绑定是神经可解离的——不仅仅是行为模式——我们为ICL的双过程理论提供了因果证据。模型在无先验知识时依赖任务模式，但先验知识通过注意力误导路由（72.7%的复occur bias）干扰，而非通过直接输出竞争（0%）。这解释了为何任意映射成功（零先验导致完全依赖模式）而事实性覆盖失败——揭示了瓶颈在于注意力，而非输出层。实践意义：理解这些双重机制使更高效的提示工程成为可能——可靠的模式迁移减少了 novel tasks 所需的演示次数，而先验意识设计可减轻高先验情境中38%的绑定失败率，从而提高ICL系统在生产部署中的可靠性。