v6 留下的謎：兩個解釋無法區分
v6 在 2682 筆資料裡，12 筆 coding 資料只佔 0.4%。訓練跑 300 iters、grad_accum=8， 等於 2400 次隨機抽樣，12 筆 coding 資料平均只被看到 ~0.9 次——連一個 epoch 都不到。 所以 v6 出現的問題有兩個互相纏繞的解釋：一是新域資料「汙染」了既有分布， 讓 tool-calling 能力退化；二是 coding 資料根本沒被訓練到，所以什麼都沒學到。 這兩件事在 v6 的設計裡完全無法區分。
獨立 adapter 能同時排除兩者的混淆：把 12 筆 coding 資料單獨訓練， 100% 的訓練預算全給它，如果目標題還是零改善，就能確定「量不足」是真正瓶頸； 如果 tool-calling 能力不退化，則「域衝突」的推測也得到確認。
實驗設計：60 iters，四個 checkpoint
base model 用 `gemma-4-E2B-it-4bit-clean`，資料集用既有的 `data/coding_contrastive_sft.jsonl`（12 筆，未異動），60 iters、`--save-every 15` 抓四個 checkpoint（15/30/45/60）。沒有照抄 v6 的 300 iters——那樣 12 筆資料會被 抽到 ~200 次，接近硬背，val loss 的下降會假裝有進步。
60 iters 的 val loss 從 2.840 降到 0.494，無 NaN、無崩潰，peak mem 6.351 GB。 fuse 60-iter checkpoint，快測目標五題（03/12/13/14/16）各做一次 repeat： 題 13（`trace_qa`）出現單次 PASS，其餘四題仍 FAIL。 這達到了「Stage 3 全套守門」的進入門檻。
Stage 3 全套：逐題打平 v3-fused 基準
`evals/run_eval.py --repeats 3` 對 16 題 × 3 repeats 完整跑過。 結果與 v3-fused 基準逐項完全相同：all-pass 7/16、pass@3 9/16、pass@1avg 8.0。 Stage 2 在題 13 的那次單次 PASS 是僥倖——3 repeats 全部打回 0/3， 缺少的是 `apply_coupon` 關鍵字，不是隨機波動。
目標五題（03/12/13/14/16）全部維持 0/3，即使 coding 資料拿到了 100% 的訓練預算、 val loss 降到 0.494，對 held-out 評測仍然零遷移。結論清楚：量不足是真正瓶頸。
但有一件事確實修好了
v6 有一個 collateral damage：tool-calling 的回歸測試題 02（`fix_mutable_default`） 和 04（`fix_exception`）雙雙從 3/3 崩到 0/3。這次獨立 adapter 的 Stage 3 裡， 這兩題維持 3/3 無退化。
這確認了「域混合干擾」的推測：把差異很大的新資料混進既有資料域， 會稀釋模型對既有任務的能力，而且這種稀釋不是小的波動，是系統性退步。 獨立 adapter 架構本身是對的——只是 12 筆的量，即使設計對齊了 aider 的真實 `--show-prompts` 輸出格式，仍然不夠。
這不是「contrastive 設計不夠好」
v5 系列學到的教訓是「隨機補負樣本無效，要用 contrastive minimal pairs 才有效」。 這次的問題層級不同：contrastive minimal pairs 的設計已經對齊， 格式也直接從 aider 實際輸出逐字擷取，問題純粹是數量。 2.3B 模型要學會三類新能力，12 筆資料不夠，跟設計方法沒關係。
SFT 能做的事有上限。如果目標三類能力（03/12/13/14/16 對應的推理類型） 用 50+ 筆 contrastive pairs 還是零改善，很可能要考慮換更強的 base model 或改走 prompt engineering。在資料量到位之前，繼續推 SFT 沒有 ROI。
關鍵教訓
混合訓練前先算被看到的次數：2682 筆裡的 12 筆，在 300 iters 只被看到 ~0.9 次。低曝光 + 域衝突，兩個假設會纏在一起。設計前先算清楚。
獨立 adapter 能解域衝突，但解不了量不足：v6 的 collateral damage（題 02/04 退步）這次沒有重演，証明域衝突是真實問題，獨立 adapter 是正確架構。但目標題仍零改善，問題是數量。
Stage 2 的單次 PASS 不是信號：題 13 在 Stage 2 的 1 repeat 出現 PASS，Stage 3 的 3 repeats 全打回 0/3。快測要用至少 3 repeats，單次 PASS 只是僥倖。
val loss 低不代表遷移到 held-out：val loss 2.840→0.494 看起來有學到東西，但 eval 零改善。loss 和 task performance 是兩個不同維度，不能互換。
「設計對了、量不夠」是不同的根因：v5 學的是方法問題（contrastive pairs vs 隨機負樣本），這次學的是規模問題。解法不一樣，不要混用。