巡天检测通道压过了天文基础模型中的像素，并使层析平均红移产生偏倚

天文学基础模型在巡天像素以及由这些像素衍生的星表产品上训练。这些星表以可测量的比率存在缺失，而在两者上训练的模型会把这种缺失继承为一种系统性偏差。我们使用对输入的因果干预来审计AION-1——一个在超过2亿个天体上训练、具有39种模态的transformer。在保持图像token字节级不变、仅编辑巡天分割图的情况下，模型报告的每一个量——流量、大小、椭率、红移——的变化达到匹配安慰剂的110至4400倍。其机制是检测门控，即源是否出现在视场中心（r=0.47），而非掩膜围住的光量（r=0.30）；在322个真实混合源上，模型忽略流水线如何划分光（R=-0.006）。这种偏好也并非该通道特有：与图像矛盾的星表测光使模型比完全不提供元数据还要差九倍。Legacy Survey流水线使3.68%的目标位置没有被任何分割段覆盖。按该比率传播——以流水线实际返回的场来代表缺失——在40次划分中使层析平均红移的中位数偏移达LSST DESC要求的0.71倍，其中12次超过该要求；观测到的位置误差使最差分箱达到8.3倍。按测得的星等依赖而非均匀地抽取缺失样本不改变这一结果。光谱学可消除该效应，撤除检测通道也能在无可测量代价下消除它，且该效应随模型规模增大。另有两个限制位于分词器：其图像编解码器在源斑片上只能分辨28个有效状态，而光谱编解码器为934个；红移读出受量化限制。稀疏字典是不可靠的因果抓手：在15个之中，恢复率跨度为26-75%，仅凭随机种子即可变动最多18个百分点。