先给结论：比较两个网络的表示，不能靠作者自选的直觉测验。同一对网络，中心核对齐会说各层很像，典型相关会说后层已经不像。换「同深度应对齐」的测验，前者好看；换敏感性测验，后者好看。该让相似度跟着功能走：任务正确率差是表示不同的信号，指标必须看见。跨多项功能更稳的，往往是把形状对齐的普氏距离，而不是最新的核方法。

为什么「再发明一种不变性」填不成指标竞赛

痛点是文献用直觉清单给新指标颁奖。有人要求对可逆线性变换不变，于是推典型相关；有人要求同架构不同初始化时同深度最像，于是推中心核对齐。两张热力图可以对同一对网络给出相反故事。继续加不变性或加一条直觉测验，只能再让某一种方法看起来赢。正确做法是先承认：任何单一直觉都能被另一条直觉打脸。

功能才是不那么任意的锚。两个模型正确率差得大，说明它们在处理数据上已经不同，中间表示不该被判成一样。当然，完美拟合某一任务的正确率差也不对，因为指标该看见多种重要差别，而不是只看见这一项。好指标是在若干功能上普遍高相关，而不是在作者最喜欢的测验上满分。一个硬例子：同样的语言编码器，不同微调种子，分布内正确率几乎一样，分布外可以从零到六成。两个都稳健的模型，相似度该高；一稳一不稳，该低。拿一百个这样的模型两两比，看（不）相似度和分布外正确率差是否同向。

五步把相似度从审美收成可复核的基准

1. 禁止只用一条直觉测验发论文。至少同时报特异性和敏感性。只赢一条，写明输在哪条。
2. 功能操作化成任务正确率（或线性探针正确率）的差。表示对的（不）相似度要和这个差相关。相关在许多对模型上算，不是看两张热力图像不像人脑分区。
3. 基准要覆盖多种变化轴：训练种子、层深度、删主分量、预训练种子、微调种子；功能轴至少包括探针正确率和分布外测试。单一轴会把指标过拟合到该轴的几何上。
4. 把普氏距离当必比基线。它做的是把两组表示用正交变换对齐后再比形状，古典、不时髦，但跨子任务更稳，常常贴近各项第一名。中心核对齐和投影加权的典型相关会在某些子任务称霸、在另一些掉队。最后一项「预训练加微调种子、看分布外」可以难到谁都相关不高，应保留当挑战集，而不是删掉以免难看。
5. 用基准去评其他解释工具，不只评相似度。可视化、归因、回路发现，同样能被「自选测验」美化。功能相关这根尺子可以共用。

现场有三条。其一，同架构不同种子在分布内可以难分，在分布外可以差出六十个点。若相似度把它们判成一样，它量的是训练损失附近的几何，不是你关心的功能。其二，没有哪种指标该在所有子任务称王。基准的价值是暴露「这项强、那项弱」，并给新方法留一道谁都还没过的关。其三，视觉模型和语言模型都要测。只在一种模态上赢，不能写成通用表示工具。

比较表示是为了回答「这两个网络是不是在做同一件事」。正确率差是目前最便宜、最跨架构的「同一件事」探针。等有了更好的功能电池，相似度基准该跟着换电池，而不是换更漂亮的核。现场还要防一件事：把「对可逆线性变换不变」写成绝对美德。下游若真的把表示旋转一下任务就垮，指标对旋转不敏感，反而会把功能差看不见。不变性清单必须服从功能，不能反过来指挥功能。

若只能改论文模板一处：新相似度必须交出与功能差的相关表，并包含普氏基线。只有热力图和一条自选测验的，不当进度。评审时把「同深度应对齐」从必过关降成可选诊断：它对初始化噪声敏感，却对分布外功能可以完全瞎。诊断可以留，关卡必须是功能相关。

结论：相似度要跟功能走，不要跟直觉走

换测验就能让任何方法好看。正确率差是表示不同的信号。普氏距离跨任务更稳，时髦核方法会偏科。仍用一张热力图宣布两个网络一样，是在用审美代替基准。

你下次比较两个模型的内部，先报和哪些功能差相关、有没有输给普氏距离。报不出来，相似就不能写进结论。

本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源