设计使然的纠缠：表格上下文学习器中的变量内虚假信号路由

设想一个在单家医院训练、用于预测患者康复的模型，其中测量特征 $X$ 将患者真实健康信号（$C$）与该医院设备产生的系统性伪影（$S$）捆绑在一起。在该院内部，伪影通过患者人口统计学等未测量混杂因素与结果相关；上下文学习器会“理性地”让预测经由 $S$ 而非 $C$，在部署到设备不同的新医院时静默失效。我们将其形式化为“复合表示中的虚假路由”：当特征 $X = [C;\,αS;\,η]$ 在不同子空间编码因果信号 $C$ 与虚假信号 $S$ 时，ICL无法判定是哪一个在驱动预测。我们证明，在ridge ICL（线性上下文学习器）下，无论上下文规模如何，这种路由都不可避免；最先进的预训练表格ICL模型TabPFN在实证中表现出定性一致的行为。我们推导出闭式刻画 $\mathrm{CSR} \propto ρ_S/ρ_C$，在线性ICL上以 $r = 0.997$、在TabPFN上以 $r = 0.979$ 得到验证。与直觉相反，更大的上下文会强化对主导上下文信号的投入，将虚假路由最多放大 $1.74\times$；在高虚假区域，表达力更强的模型在实证中表现出更大脆弱性（高纠缠下CSR差距 $+2.22$）。我们提出两种轻量缓解措施：环境分层上下文构造与S-swap增强，它们只需弱环境标签，且无需知道因果划分。S-swap将线性ICL的虚假路由降低 $74\%$、将TabPFN降低 $98.8\%$，同时TabPFN的因果敏感度提升 $8.4\times$：模型并非变得不加区分，而是改为经由因果信号路由。