单变量控制、多种子与方差控制

顶级学术科研实验设计三原则（单变量控制、严格对照基线、多种子方差聚合）体系 (Rigorous Experiment Design: Controlled Variables, Baseline Parity & Multi-Seed Variance Analysis) 是区分专业研究科学家 (RS) 与盲目调参工程师的分水岭方法论；三大铁律：1) 单变量控制 (Controlled Single Variable): 每次实验对比有且仅改变一个变量（如仅改变优化器或注意力变体），其余超参数（学习率、Batch Size、数据打乱顺序、Warmup 步数、Token 预算）必须 100% 绝对一致；2) 对照基线平权 (Baseline Parity): 必须在相同的算力预算与调参强度下，与经过充分优化的既有 SOTA 基线（而非未调参的弱基线）进行公平横向对比；3) 多种子配对与方差控制 (Multi-Seed Paired Variance): 严禁仅汇报单个最优随机种子 (Lucky Seed) 的结果，必须使用至少 $S=5$ 个固定随机种子运行全量实验，汇报 $\text{Mean} \pm \text{Std}$，并通过配对样本双尾 $t$-检验 ($p < 0.05$) 证明性能提升具备统计学显著性。

顶会 (NeurIPS, ICML, ICLR) 论文实验部分设计、RS 面试科研严谨性考察、工业界算法原型验证。

深度学习存在显著的随机性（参数初始化、数据打乱、Dropout 掩码），仅靠单次训练提升往往是随机噪声导致的虚假繁荣；多种子配对与单变量控制确保了科研结论的 100% 真实可信与统计稳健。

为什么在强化学习与长思维链推理实验中，单种子 (Single Seed) 比较极度不可靠（解释奖励方差与探索随机性的发散效应）？

配对双尾 $t$-检验 (Paired Two-Tailed $t$-Test) 与 Wilcoxon 符号秩检验在验证新算法显著性时的数学原假设与检验统计量计算？

公平比较原则 (Fair Baseline Comparison): 如果你的新模型增加了 10% 的参数量，你应该如何设计同等参数量 (Equal Parameter Count) 或同等计算量 (Equal FLOPs) 的基线对照组？

随机数发生器 (RNG) 的跨库一致性控制：如何在 PyTorch、NumPy、Python `random` 与 CUDA 中实现真正的全局种子同步？

在论文主表格中呈现 $\text{Mean} \pm \text{Std}$ 的学术规范：如何清晰区分运行种子间的样本标准差 (Std) 与均值标准误 (SEM)？