Qwen3.8-27B Taste LoRA · rebased to v5c
与 YFC-112358/Qwen3.8-27B-Taste-Glimmer-Gemma-LoRA 权重逐位相同，只改了 adapter_config.json 里的
base_model_name_or_path，从 v5 指向 v5c。
为什么要换
v5 的 della 配方里第四个源是 Qwen3.8-27B-TM-Gemma4-Glimmer-v1，权重 0.65、density 0.999。
那个成分是失败的 Transport-and-Merge 产物：内层与外层的 Sinkhorn 熵正则都设成了 0.10，
在 n=17408 的张量上 n·exp(-c̄/ε) ≈ 1，非对角质量追平对角质量，传输计划退化成近似均匀，
注进去的是源权重列均值的广播（近似秩 1）而不是特征。
v5c 把它换成修复版 TM-Gemma4-Glimmer-v3（eps 改为 gap/ln(m/δ) 自适应），
其余三个源、种子、全部参数不变。
迁移性
本仓的 adapter 没有在 v5c 上重训。换基座前跑过抽样判据：
| 量 | 值 |
|---|---|
|Δbase|/|W| 中位 |
见 notebook Cell 4 |
|ΔLoRA|/|W| 中位 |
见 notebook Cell 4 |
dom = |Δbase|/|ΔLoRA| |
见 notebook Cell 4 |
| 中文 NLL 门禁 | 见 notebook Cell 6 |
⚠️ 把上面四个数填成实测值再公开。没填就是占位，跟 v3/v4 那两张一样的坑。
用法
from peft import PeftModel
from transformers import AutoModelForCausalLM
m = AutoModelForCausalLM.from_pretrained("YFC-112358/Qwen3.8-27B-Della-Carnice-Ostrich-Salience-Glimmer-v5c", torch_dtype="bfloat16", device_map="auto")
m = PeftModel.from_pretrained(m, "YFC-112358/Qwen3.8-27B-Taste-Glimmer-Gemma-LoRA-v5c")
# 调味浓度旋钮：加载后改 scaling，或者 from_pretrained 时传不同的 lora_alpha
alpha/r = 32/32 = 1.0。调这个比值就是调味浓度。