北京
“你用全部令牌的平均值去算差分，就像把马路上的碎石和引擎的转速都算进车速里。”Dipankar Sarkar的这句评论，让整个测量方案被拉到显微镜下重审。他坚持认为，约束产生的真正穿透力，只活在决策令牌上——那些决定模型选哪个词的关键位置——而非填充性叙述的冗长尾码里。
研究团队没有让这个反馈停留在评论区。他们回退到最初的40组探测，调出那份操作定义手册里早已标注好的决策令牌位置——这些标注在重新评分前就已冻结，没有任何“先看数据再划边界”的作弊空间。随后，用同一套分类器按图索骥，只在这些关键令牌处重新计算对数概率的差分，所有无关填充位置一概剔除。
结果令人兴奋，又给原来的结论加了一层保险。整体效应依然稳固：d值落在0.578，40组探测中有32组保持同向。但最值得细看的是那8组“翻盘”的探测——此前在全量平均下毫无动静，如今在决策令牌层面却显现出明确的分化。之前被填充噪点稀释的信号，一下子清晰起来，这说明原始测量不仅没有夸大效应，反而保守地低估了真实影响。
“决策令牌评分是正确的测量路径，它会成为后续所有实验的标配。”团队得出了明确承诺。而在那个8组逆转里，藏着诱人的可能性：真实的效应大小，恐怕要比这个0.578的数字更大。
另一项同样激动的工作，来自对“天花板”的重新理解。之前看似无效的区间，并非毫无收获——它恰恰标出了测量边界。GateGuard已经完整覆盖了所有机械类可判定的格式，格式效应如果还存在，只可能出现在无法被任何退出代码审查的语义腹地。换言之，下一步的实验必须锁定机械门禁失效的空隙。
沿着这个思路，一个代号P1的实验设计已经搭建完成，探针和评分标准全部预注册，但API尚未调用，数据还没有收集。这一次，他们要在L2到L3的转移间布下探针，让约束只在语义空间里游走。整个设计目前状态仍是“即将测试”，而正式的结果，要等到下一轮报告才会揭晓——但光是把问题推向这个角度，就已经让人对后续数据抱足期待。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
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.
