任务导向压缩研究：消费者敏感度决定编码胜负

一项预注册研究系统性地验证了一个反直觉的发现：在相同比特预算下，针对下游消费者敏感方向设计的编码，往往比「重建最优」的编码在任务上表现更好；而切换消费者后，胜者又会翻转。研究覆盖 12 个领域，所有预测与通过/未通过的门槛在实验运行前公开封存，正反结果一并发布。

研究动机：一个意外的量化偏差

起因是一个 4-bit KV-cache 量化器：其重建余弦相似度高达 0.995，但困惑度却飙升约 3 个数量级；相比之下，一个「重建表现更差」的逐通道量化器却完全可用。重建度量与下游任务指标彻底背离，这一差距正是整篇研究的出发点。

核心框架：消费者加权的失真度量

对输出散度为 D_Y 的消费者 C，二阶展开给出下游失真 ≈ tr(P_C Σ_δ)，其中 P_C = E[JᵀGJ] 是消费者的 Fisher 加权敏感度，Σ_δ 是误差二阶矩。重建本身就是 P_C = I 这一对角情形的特例。理论层面，研究给出了：

消费者相对率失真函数 R(D) 的可达性与逆定理
两观察者逐次细化区域（最优误差协方差在 Loewner 序下嵌套时才可细化）
失配边界（错误加权某一读取方向带来有界率税；遗漏则形成任何码率都无法跨越的失真下界）

实证设计：12 域前瞻性测试

研究采用密封式预注册，涵盖合成到达角估计（ULA root-MUSIC）、Llama-3.2-3B 注意力 softmax 散度、宽带声学阵列、地震反方位角、77 GHz FMCW 雷达、ETHICS 道德分类等。关键结果包括：

合成 ULA 方向估计：6/6 翻转
Llama-3.2-3B 注意力：盲探针在 16/16 次中选出任务更优的编码（重建余弦仅 7.5e-9，重建指标无判别力）
声学阵列 LOCATA：11/13 翻转
地震反方位角：76% 翻转
梯度压缩：理论预测为结构性零结果，实验证实「无翻转」—— 因为 Hessian 主方向与梯度能量方向重合

值得注意的是，多项结果为阴性：研究者预先注册的单统计量诊断在首次前瞻测试中失效，被迫替换为双轴方案；密度商猜想在四次前瞻测试中被否证。

与既有工作的关系与局限

研究将经典 Hessian 加权/损失感知压缩谱系（OBD→OBS→HAWQ→GPTQ）与间接/远程信源编码（Dobrushin–Tsybakov、Witsenhausen）纳入同一指标框架，并明确区分了新颖之处：盲探针对读取子空间的恢复、跨域前瞻性翻转的实证、以及编码定理。局限同样清楚：核心失真/可辨识性验证基于合成消费者；目前仅一个训练模型（Llama-3.2-3B）参与两编码对比，下一步双消费者反转实验已注册；部分行标记为探索性，不作为密封证据；作者为单人，实验与起草由 AI 辅助完成，验证协议与错误日志一并公开。

论文、理论附录与代码已分别在 Zenodo（DOI 可查）与 GitHub（ahb-sjsu/angular-observer、turboquant-pro、geometric-observation）发布，每一项数字均可在对应密封注册中找到出处。