北京
“你用全部令牌的平均值去算差分，就像把馬路上的碎石和引擎的轉速都算進車速里。”Dipankar Sarkar的這句評論，讓整個測量方案被拉到顯微鏡下重審。他堅持認為，約束產生的真正穿透力，只活在決策令牌上——那些決定模型選哪個詞的關鍵位置——而非填充性敘述的冗長尾碼里。
研究團隊沒有讓這個反饋停留在評論區。他們回退到最初的40組探測，調出那份操作定義手冊里早已標注好的決策令牌位置——這些標注在重新評分前就已凍結，沒有任何“先看數據再劃邊界”的作弊空間。隨后，用同一套分類器按圖索驥，只在這些關鍵令牌處重新計算對數概率的差分，所有無關填充位置一概剔除。
結果令人興奮，又給原來的結論加了一層保險。整體效應依然穩固：d值落在0.578，40組探測中有32組保持同向。但最值得細看的是那8組“翻盤”的探測——此前在全量平均下毫無動靜，如今在決策令牌層面卻顯現出明確的分化。之前被填充噪點稀釋的信號，一下子清晰起來，這說明原始測量不僅沒有夸大效應，反而保守地低估了真實影響。
“決策令牌評分是正確的測量路徑，它會成為后續所有實驗的標配。”團隊得出了明確承諾。而在那個8組逆轉里，藏著誘人的可能性：真實的效應大小，恐怕要比這個0.578的數字更大。
另一項同樣激動的工作，來自對“天花板”的重新理解。之前看似無效的區間，并非毫無收獲——它恰恰標出了測量邊界。GateGuard已經完整覆蓋了所有機械類可判定的格式，格式效應如果還存在，只可能出現在無法被任何退出代碼審查的語義腹地。換言之，下一步的實驗必須鎖定機械門禁失效的空隙。
沿著這個思路，一個代號P1的實驗設計已經搭建完成，探針和評分標準全部預注冊，但API尚未調用，數據還沒有收集。這一次，他們要在L2到L3的轉移間布下探針，讓約束只在語義空間里游走。整個設計目前狀態仍是“即將測試”，而正式的結果，要等到下一輪報告才會揭曉——但光是把問題推向這個角度，就已經讓人對后續數據抱足期待。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
