假設空間裝得下目標函數，不代表梯度下降走得到。本文分離表達容量與最佳化可達性，推導時間展開的雅可比譜半徑衰減如何切斷長程信用分配，剖析多任務共享參數上的負向內積干涉，並以動態等距約束與 PCGrad 切空間正交投影建立可執行的防線。
從超大候選池中挑出最佳模型，這個動作本身就是一次高強度的擬合。本文推導候選規模如何把抽樣噪聲的高端極值膨脹成看似真實的能力增益，拆解同一批資料兼任參數擬合、候選挑選與能力證明時的角色衝突，並以事前資料隔離與假發現率控制建立可落地的估計折價規範。