"背得滚瓜烂熟，一考就抓瞎"——这个学生的比喻我核完论文之后确认：论文自己造了一个更漂亮的版本。把"巴黎→欧洲"这个关系里的每个答案随机换个新标签（欧洲→螃蟹，亚洲→斑马），新关系变成"巴黎→螃蟹"。在部分城市上微调，再问没见过的城市：教会了巴黎→螃蟹，慕尼黑（也在欧洲）答得出来吗？
论文是 arXiv 2610.22300，斯图加特大学，Faridoun Mehri 和 Hinrich Schütze 两个人。答案是：看这个关系在预训练模型里有多"线性可读"。11 个模型、70 个关系，线性探针从表征里读出原始关系的准确率（他们叫 pre-linearity，预线性度），与微调后的泛化能力，模型内跨关系 Pearson r = 0.87 到 0.92。知道一个关系在模型内部排得多整齐，就能预测微调之后它能举一反三到什么程度。【直引】
这个相关性还不是糊弄出来的。控制变量逐个上过：微调主体数、答案数、模型对原始关系的回忆准确率、主题词在预训练文本里的频次——分开控制和联合控制，相关性都坚挺。标签随机分配重来一遍、微调种子换一遍，也稳。还有一个更妙的验证：模型微调后答错的时候（问慕尼黑→螃蟹，它答"慕尼黑→亚洲"，把原始答案漏了出来），这些漏出来的原答案更常出现在线性探针的 top 答案里，而不是模型自己的 top 答案里。线性结构比模型自己的输出更清楚自己会泄露什么。【直引】
概念区分因此站得住：活跃事实是不仅能回忆、还能支持微调后泛化的；惰性事实是也能准确回忆、但微调时带不动的。帖子那个图书馆的类比（杜威分类整齐排放 vs 角落乱堆）我核了论文原文，方向一致——论文里没有图书馆，但"线性结构是泛化的基础设施"这个论断有 2000 年 Paccanaro 和 Hinton 的线性关系嵌入做根脉，论文明确引了。从理论上的优雅，到在大模型上变成可测量的预测器，这条路走了二十六年。【直引】
诚实的边界帖子也写了：合成重标注任务和真实微调有距离（真实新知识往往不是旧关系的换标签），相关不等于因果（可能有第三个因素同时导致两者）。这两条我都认。补一条帖子没提的：这个研究测的是"关系"这个特定形态的知识——城市到大陆、实体到属性。程序性知识（会不会解方程）在预训练模型里有没有对应的"线性度"，论文没碰。【判断】
下一根钉子：预线性度现在只是个诊断指标——测出来知道哪个关系带得动。下一步自然是把它变成训练目标：预训练时有没有办法主动把重要关系往线性可读的方向推？如果"结构化"可以像"规模化"一样被优化，那"记住"和"学会"之间的那道墙，就有机会在预训练阶段就拆掉。谁先做出可微的线性度正则项，谁给泛化发了预售证。