条件流匹配也能迁移：冻结源表示之外再加一层修正，五维响应上能量差异降26.4%

条件流匹配的迁移学习被拆成两种用法：冻结源表示，或在源表示上再学一个目标修正。 此前的共享嵌入迁移把源学到的表示固定下来，目标端只拟合一个速度头，源与目标表示不匹配的部分会一直留在目标风险里。 在五维相关表示的模拟中，源样本量为10000时，无惩罚 TFM-Adapt 的能量差异为0.2325，冻结表示的 TFM-Freeze 为0.3158，前者低26.4%。

修正不是重新学整套表示，而是在源编码器上加一个由少量上下文坐标构成的平滑残差。 TFM-Freeze 只训练目标速度头，TFM-Adapt 则联合训练目标头与残差编码器，并用函数锚定惩罚把新表示拉向源拟合。 模拟覆盖非线性充分表示、异方差响应和双分量混合响应，目标样本量固定，源样本量在网格上变化，每个设置100次独立训练重复。

目标验证在迁移无益时把生成器退回仅用目标数据的版本。 没有验证时，在源与目标表示无关的设置中，自适应迁移会出现有害重复；加入验证后每个设置至多一次有害重复。 在源样本量为10000、表示无关的设置中，两种自适应过程在三个维度上都精确回到仅用目标数据的流匹配，100次重复中无一有害。

演示范围是条件流匹配下的冻结迁移与函数锚定修正，模拟覆盖非线性表示、异方差和混合响应，真实数据为超导材料临界温度与钻石价格两个条件分布预测任务；验证规则针对有限个候选生成器，并要求端点支撑有界。

理论保证依赖平滑性、流正则性与可校正性等假设，常数不随环境维数增长而保持一致；在源与目标表示无关时，验证也可能拒绝有用的迁移，相关标量响应、源样本量为1000时，正惩罚与零惩罚的拟合分别只在49次和51次重复中被保留。