完整解释、原始数值、素材与实验仍可访问；默认翻页不进入此内容。
有标签训练由正确类别约束更新方向；部署时没有答案，却仍能由预测概率计算熵。Tent把降低熵作为代理目标，只更新选定BN的γ、β，卷积权重保持冻结。图中保留一个关键时点：本次返回的是参数更新前产生的预测，更新影响后续调用；若额外前向查看更新后结果，要另计成本。可计算的信号没有告诉模型答案真假，接下来先用数学反例，再读真实小模型比较。
有标签训练由正确类别约束更新方向；部署时没有答案，却仍能由预测概率计算熵。Tent把降低熵作为代理目标，只更新选定BN的γ、β，卷积权重保持冻结。图中保留一个关键时点：本次返回的是参数更新前产生的预测，更新影响后续调用；若额外前向查看更新后结果，要另计成本。可计算的信号没有告诉模型答案真假，接下来先用数学反例，再读真实小模型比较。 实现细节集中于此：官方forward_and_adapt依次forward→平均熵→backward→optimizer.step→zero_grad，返回此前logits。steps=1是本次更新前预测，多步是最后一步更新前预测；额外更新后前向须另报。BN配置与reset由CLS09和LAB14承接。