表征距离变了，拓扑就变了吗？先用旋转和邻域做一个反例

两张降维散点图颜色相似，就说两个模型“形成了同样的知识拓扑”，证据太弱。反过来，坐标数值大幅变化，也不意味着内部关系被破坏。一个简单旋转就能改变每个坐标，同时保留所有两两距离。

研究模型内部表征时，需要明确自己比较的是欧氏坐标、距离矩阵、局部邻域，还是连续空间中的拓扑性质。它们不是同一个指标。有限样本上的 k 近邻重合率，也不能直接证明两个连续表示空间同胚。

图中点云是概念示意，不按坐标或距离比例绘制；精确距离关系以下面的四点代码为准。

Anthropic 的 global workspace 研究把表征观察与干预联系起来。对普通实验更实际的启发，是不要只凭图形形状下结论：先定义可复算的统计量，再检查它与任务行为是否相关。

import math

points = [(0.0, 0.0), (1.0, 0.0), (0.0, 2.0), (3.0, 1.0)]
rotated = [(-y, x) for x, y in points]
distorted = [(0.0, 0.0), (10.0, 0.0), (0.0, 0.1), (3.0, 1.0)]

def distances(ps):
return [[math.dist(a, b) for b in ps] for a in ps]

def nearest(ps, i):
return min((j for j in range(len(ps)) if j != i),
key=lambda j: (math.dist(ps[i], ps[j]), j))

d1, d2 = distances(points), distances(rotated)
assert all(math.isclose(a, b) for ra, rb in zip(d1, d2)
for a, b in zip(ra, rb))
assert nearest(points, 0) == nearest(rotated, 0) == 1
assert nearest(distorted, 0) == 2
print("rotation preserves pair distances")
print("nearest origin:", nearest(points, 0), "->", nearest(distorted, 0))

代码中的形变改变了指定点的最近邻，但这还不是拓扑断裂的证明。图的“broken neighborhood”指有限点云里的邻接变化，不能扩大成数学意义上的空间撕裂。若实验使用余弦距离，归一化与零向量处理也要先约定；旋转保持欧氏距离的结论不能替代全部度量分析。

真正比较模型时，还需对齐样本身份、层、token 位置和批处理策略。不同层的残差流可能具有不同尺度，二维投影也会丢失信息。可以同时报告距离相关、邻域重合及任务分组表现，让“看起来聚成一团”变成能检查的描述。

本文的四点例子全部是合成数据，已离线执行；没有读取模型激活，也没有验证任何关于知识组织的因果主张。把概念分清，往往比给一张散点图起一个宏大名字更有用。