本文审计了去学习（unlearning）决策的数值可靠性，重点分析了263个已发布的批归一化（batch‑normalized）视觉模型检查点。审计的核心是比较未学习模型与重新训练参考模型各自公开的判决数值，同时检查它们随附的批归一化统计信息——这些统计信息既未被梯度更新，也未在发布记录中出现。
研究者在保持权重完全相同的前提下，仅用保留的数据重新拟合这些统计信息。结果显示，221个检查点中有47个的数值超出了各自发布种子所示的分布范围，说明数值的漂移来源于检查点本身的属性变化，而非方法平均值的移动。
进一步实验表明，用保留记录替换被删除记录对单个批归一化单元格的影响几乎可以忽略不计；相反，检查点的状态相对于任何重新拟合的漂移程度能够准确追踪这种数值移动。
实际影响体现在判决层面：在263个检查点中，12条判决跨越了预设阈值，4条在测得的重新校准预算内被清除，2条在所有复制实验中均被清除，而在我们自行训练并接近自身标准的模型群体中未出现任何跨越。
因此，发布模型时应在数值旁标明所使用的批归一化拟合约定，尤其是对批归一化视觉模型，这一渠道的存在会直接影响去学习判决的可解释性。
点评