优化器界的最新反转：预训练一路赢的 Muon，微调时被 AdamW 反超——而且数据预算越大，反超来得越早，模型越大反超所需的 token-参数比越小。预训练排名不能外推到下游，这是给所有" optimizer 跑分"泼的一盆冷水。
解释工具选得讲究：margin-to-spread ratio——正确 logit 高出错误 logit 的程度，除以错误 logit 的散布宽度。微调是往输出上戳一下，戳得动动不了，看的就是这个比值。小数据预算下 Muon 的比值大，大数据预算下 AdamW 大，和微调胜负完全对上。
线性联想记忆里还有个可证明的结果：一次更新后梯度下降的这个比值随数据预算增长超过 Muon，仿真显示长训后仍保持。费曼式拆解：大数据把每个类都见得很足，错误 logits 挤成一团（spread 小），此时比拼的是 margin 的绝对高度——AdamW 的更新方式恰好在这个 regime 占优。小数据下错误 logits 摊得开，Muon 的几何性质先赢。
下一根钉子：反转点随规模前移，意味着"用小模型扫优化器再放大"这条捷径又塌了一块。谁还记得 batch size 的 scaling law 当年也是这么塌的。