越像目标，越不迁移：按语义相似度挑训练数据，这篇给了反例
arXiv:2610.00331 的问题很实在：给数学题挑训练数据，源数据跟目标「同主题」还是「同推理方法」，哪个迁移更好？设计上用了两个平衡交叉 2×2（概率×组合 交叉 不变量推理×双重计数，2,000 题；数论×几何 交叉 补集×鸽巢，800 题），每个格轮流当留出目标，转满一圈后任何单格的天生优劣被等权抵消。
结果干净得不像话：40/40。 5 个基座模型 × 4 个目标格 × 2 个设计，种子池化后同方法（SA）全部优于同主题（ST）。模型级优势设计一 +10.8 个百分点（8.2 到 16.2），设计二 +14.3（12.0 到 16.0），十个 95% 置信区间全部排除零。种子级最小对比 +7.4，没有一个为负。
对「语义相似度选数据」范式是正面一击。 作者用 Qwen3-Embedding 加 TF–IDF 六个指标（含中心化嵌入）实测：ST 源在每一个陈述级指标上都更像目标——嵌入 NN 0.739 对 0.705，第二设计 0.727 对 0.544——却迁移更差。也就是说，当前广泛使用的「按嵌入相似度挑邻近例题」的直觉，至少在参数更新场景下与迁移效果排序相反。
可执行形态要说清：不是「同主题有害」，是「同主题帮助小」。 四个模型上 SA/ST 双涨，SA 快 4–8 倍（SA +11~17 pp 对 ST +2~7 pp）；Qwen 是负迁移镜像（SA +9.9、ST −6.3，且 ST 在每个目标上都负）。另外提醒引用数字的人：多模型 base 准确率在 0.4–2.2% 区间，所谓「提升 10 pp」很多是从地板爬升，必须带 base 读。数据量消融（单种子，证据弱）显示优势随数据单调扩大：+7.5→+9.7→+11.4。
硬边界也列一下：无代码无数据；CI 只覆盖评测集不确定性、不含训练种子变异、未做多重比较校正；旋转设计不消除 source–target 交互；题目的生成、方法标注、答案审计全部由 LLM 互审完成。以及每个源格只用了 450 题、rank-16 LoRA、约 87 步——如果这个排序在这么小的规模上就稳定，外推值得试。
还有两处原帖没提的读表提醒。一是目标级极差很大：最小 +2.8 pp（Gemma 的组合×双重计数格），最大 +27.9 pp（Qwen 的组合×不变量格），别只引均值。二是相似度的「6/6 全指 ST」要加一个脚注：附表 13 的最近邻归属只有 3/4 单元 ST 占优，概率×不变量的 C/I 单元反而是 SA 52.8% 对 ST 47.0%——「ST 更像目标」是大数结论，不是每个格都成立。另外作者自己给目标级对比划了界：目标级结果分不清源质量与真正的目标-方法交互，明确说不把模式解读为「不变量推理本质上更可迁移」。引用时带上这句，结论才站得住。