天文基础模型 AION-1 被发现系统性偏置：检测通道压制像素信号

一项基于因果干预的审计研究指出，天文基础模型 AION-1 在处理多模态输入时严重偏向检测通道（detection channel），忽略图像像素本身的信息，导致星系分层平均红移（tomographic mean redshifts）测量出现系统性偏置，部分结果超出 LSST DESC 要求达 8.3 倍。

AION-1 模型与审计方法

AION-1 是一个 39 模态的 transformer 基础模型，训练数据来自超过 2 亿个天体对象，输入同时包含图像像素与由这些像素派生的目录产品（catalogue products）。研究团队采用因果干预方法：在保持图像 token 字节完全一致的前提下，仅修改目录中的巡天分割图（survey segmentation map），观察模型输出的变化，并以「匹配安慰剂」（matched placebo）作为基线对照。

检测通道压制像素信号

审计结果显示，仅编辑检测通道就会改变模型报告的所有物理量——包括流量、大小、椭率、红移——变化幅度达到匹配安慰剂的 110 至 4400 倍。

进一步分析揭示真正的驱动机制并非「掩膜内包含的光」，而是「目标是否处于场中心」：

场中心存在性：相关系数 r = 0.47
掩膜内光强：r = 0.30
在 322 个真实混合天体中，模型对光如何被分割基本无感，R = -0.006

这种偏好并非检测通道独有。当目录测光被故意矛盾化时，模型表现比「完全不提供元数据」还要差 9 倍，说明元数据通道一旦被引入就会主导模型判断。

对红移测算的系统性影响

Legacy Survey 流水线会留下 3.68% 的目标没有任何分割覆盖其位置。研究团队将该缺失率沿流水线实际返回的字段传播到红移测算中：

在 40 项任务分配中，红移中位偏移达到 LSST DESC 要求的 0.71 倍
其中 12 项超出该要求
若计入实际观测位置误差，最差分箱达到要求的 8.3 倍
即使按测得的星等依赖关系而非均匀方式抽取缺失样本，结果不变

缓解方案与额外发现

研究测试了三种干预手段：

光谱数据：可消除该效应
屏蔽检测通道：在无可测量代价的前提下消除该效应
模型规模：效应随模型规模增长而放大

此外，tokenizer 本身存在量化局限——图像编解码器对源 patch 仅分辨 28 个有效状态，而光谱编解码器可达 934 个；红移读出受量化精度限制。研究还指出，稀疏字典作为因果干预工具并不可靠：在 15 次测试中，恢复率横跨 26%–75%，仅改变种子即可让指标移动 18 个百分点。

研究者强调，对于依赖多模态目录元数据的天文基础模型，引入检测通道会埋下严重系统性风险；该审计方法对其他多模态基础模型的鲁棒性研究同样具有借鉴意义。