跨架构底层：现代视觉编码器的超越领域、校准后的几何不变量

不同的视觉神经网络——经过训练来分类、对比、重建或匹配图像与文本——应该有相应不同的内部表示。我们报告说他们没有。经过训练，13 个现代视觉编码器内的前 16 个主要变化方向收敛到同一个 16 维几何对象。我们将其称为跨架构基底，并使用 PCA、居中内核对齐 (CKA) 和 Pang 2026 校准对其进行研究。该基质以中值 Procrustes-CKA 0.679 跨四个视觉域（自然照片、医学 CT、卫星、显微镜）传输，以 0.604 跨八个域（添加草图、深度、热红外、天文学）传输，每对 >0.40。它在全局（7.4x 盘与 MAE 分离，n=13,394）和局部（4.82-5.30，p<10^{-44}）中幸存下来。它不是像素统计 (0.263)，不是 Gabor 特征 (0.31)，也不是随机投影 (0.041)，并且出现在训练的前 10% 中，而准确率不断攀升。我们提供四种应用：优于 LogME 的无标签可转移性过滤器（速度快 3 倍，+0.15 Kendall-tau）；四路域检测器（准确度 99.6%）；冻结的低射探针（16 暗淡比 768 暗淡 DINOv2 快 3.78pp，每类 N=50 个标签）；以及无教师的 蒸馏 辅助匹配训练有素的教师 KD 33 对（10% 标签分数时峰值增益为 7.56pp）。该基质不跨模态，无助于跨范式蒸馏，并且不预测转移质量（相对于转移精度，rho=0.08）。