昨天那二十篇裡，有一篇是這樣的：

僅僅基於觀測到的成功結果難以判定方法是否具有可靠性。偶然因素、環境條件的差異以及其他未知變數都可能影響觀測的結果。豈能以此就認定所有情境下該方法都會產生相同的效果？

六條形式指標全中。三句、七十八個字、有「觀測」、沒有「我」、沒有數字、問號結尾。昨天它是九篇通過裡的一篇。

但題目要它說明的是「為什麼一次成功不能證明方法可靠」。

它講了成功可能來自偶然。然後就停了。

它沒有說接下來該怎麼辦。沒有「多試幾次」，沒有「換條件再看」，什麼都沒有。讀者讀完，知道了不能信一次，卻不知道要信幾次。

指標全過，事情沒做完。

今天想談的就是這個落差。

定律

我目前把它寫成這樣：

若評分指標無法區分符合目的與不符合目的的成果，僅達成該指標就不能保證達成目的。

前提是：目的和指標是兩件事，而你手上只有指標。

它不是在說指標沒用，也不是在說所有指標都會被鑽漏洞。如果某個任務的指標已經把目的刻畫得夠好，那就該明說這個範圍，而不是硬要找出落差。今天的實驗是去測落差在不在，不是預設它一定在。

還有一條老規矩：沒跑過的實驗不能寫得像有結果；小樣本也不能說成普遍現象。

今晚做了什麼

沒有收新資料。昨天那二十篇就是材料。

材料

昨天的題目是：用三句中文說明「為什麼一次成功不能證明一個方法可靠」，同時滿足六條形式要求，包括恰好三句、六十到八十個漢字、要有「觀測」、不能有「我」、不能有任何數字、第三句用問號結尾。

模型是 Claude Haiku 4.5，同一份提示詞跑了二十次，每次獨立呼叫。

昨天用程式判這六條，九篇全中、十一篇至少掉一條。那是「形式」這一欄，今天原樣沿用，沒有重判。

目的怎麼量

題目真正要的是「說明為什麼」。我把「有說明到」拆成三個可以逐點檢查的概念：

為什麼是這三點：讀者要從一段說明裡拿走的，不是「一次不夠」這個結論，而是「為什麼不夠」和「那要怎麼辦」。C1 回答前者，C2 回答後者，C3 是把兩者接起來的那句話。少了 C3，讀者拿到兩個斷言，拿不到理由。

三點全中才算「目的達標」。另外也算一個寬門檻，只要 C1 和 C2，用來看 C3 到底影響多大。

這份清單、判官的提示詞、打亂順序的種子，在任何一次判官呼叫之前就提交進版本控制。之後沒有改過。

判官怎麼判

判官是 Claude Sonnet。二十篇先用固定種子打亂編號，然後一篇一次獨立呼叫，共二十次。

判官收到的東西只有三樣：那一篇的原文、上面那張三點的表、以及輸出格式。它看不到昨天的形式判定，看不到其他十九篇，也不知道題目原本要求哪六條。

輸出格式是一個 JSON，每一點回「有」或「無」，判「有」的必須引一句原文。一筆實際的判官輸出長這樣：

{"C1": true,  "C1_quote": "偶然因素、環境條件的差異以及其他未知變數都可能影響觀測的結果。",
 "C2": false, "C2_quote": "",
 "C3": false, "C3_quote": ""}

這一筆就是開場那篇。判官找得到偶然性的句子，找不到任何講重複的句子，所以 C2 判無，C3 跟著無。

引文是防線。判「有」卻引不出原文的，彙整程式會改判「無」。這次二十筆裡沒有出現這種情形，但規則是先寫好的。

怎麼算

把每篇的形式判定（昨天）和目的判定（今天）並排，得到一張 2 乘 2 的表。彙整由程式做，我沒有手動改任何一格。

否證條件也先寫好：如果形式達標的全都目的達標、形式不達標的全都目的不達標，也就是對角線以外兩格都是零，那在這一題上指標就已經夠了。這時我要照實寫「這次沒測到落差」，不能回頭改清單重判。

結果：兩個方向都有分離

把二十篇擺進一張 2 乘 2 的表。看對角線以外的兩格。

形式過的九篇，有四篇沒講清楚。

形式沒過的十一篇，有五篇講清楚了。

兩邊的比例差不多。在這一題上，六條形式指標對「有沒有講清楚」幾乎沒有預測力。

分水嶺在哪一條

拆開三個概念點看：

前兩點幾乎人人都有。題目本身就在暗示這兩件事，模型寫得出來並不奇怪。

真正把二十篇切成兩半的是第三點：有沒有把「偶然」和「重複」接起來。

接起來的長這樣：

只有經過多次重複的觀測與驗證，才能排除隨機變異的影響。

沒接起來的長這樣：

單次成功可能源於運氣或巧合，無法代表方法的真實效能。唯有透過反覆觀測和驗證，才能判斷一個方法是否真正可靠。

第二段兩件事都提了，但它們只是並列。讀者看不出為什麼反覆觀測就能處理運氣的問題。

這就是「都有寫到」和「有幫上忙」的差別。而六條形式指標對這個差別完全沒有反應。

幾篇值得單獨看的

開場那篇，形式全過，連 C2 都沒有。它是二十篇裡唯一一篇沒提到重複的。

昨天第一次跑的那篇，八十九個字，還用了「一」，形式判它不通過。今天判官判它三點全中。它是二十篇裡講得最完整的幾篇之一，昨天卻是第一個被擋掉的。

兩篇整段用簡體字的，昨天因為「觀測」變成「观测」而不通過。今天兩篇都三點全中。指標擋的是字形，不是內容。

這條律不是在說指標沒用

C1 和 C2 幾乎全中，這件事本身就是資訊。

它說明題目的字面要求已經被模型吸收了：叫它談偶然，它會談偶然；叫它談重複，它會談重複。

指標抓不到的是「連結」。而連結恰好是讀者最需要、卻最難用規則寫出來的那一塊。

所以這條律要說的不是「別用指標」。它說的是：你的指標量到了什麼，就只能宣稱什麼。六條形式指標量到的是形式，拿它來宣稱「講清楚了」，就是把指標當成目的。

三件這次不能往外推的事

第一，材料是為別的目的收的。 昨天那二十篇是為了看重複執行的變異而跑的，不是為今天設計的。我只是拿同一批東西問另一個問題。

第二，判官是模型，我沒有逐篇覆核。 C3 的判定牽涉「有沒有接起來」，這比前兩點主觀。換一個判官，數字可能不一樣。

第三，三個概念點是我定的最小集合。 它不是「理解」的全部。換一份清單，2 乘 2 的格子會重新分配。

這條律怎麼被推翻

如果 2 乘 2 表的對角線以外兩格都是零，也就是指標過的全都目的過、指標沒過的全都目的沒過，那在那一題上，指標已經充分刻畫目的，這條律沒有東西可講。

今晚不是這種情形。四和五都不是零。

所以紀錄表又多了一欄

前天是「由什麼產生」。

昨天是「第幾次」。

今天是「目的怎麼驗」。

跟指標分開寫。指標那欄寫的是「六條全中」，目的那欄寫的是「三點全中」，兩欄各自有自己的判法。

如果只有一欄，寫下去的永遠是比較容易量的那個。

本文的協作紀錄是：概念清單、判官提示詞與打亂順序在任何一次判官呼叫之前提交，之後沒有修改；二十份判官輸出逐字保留，判定由程式彙整，作者沒有逐篇覆核判官的判斷。材料沿用昨天的二十篇原始輸出，沒有新收樣本。文章由 Claude 根據作者整理的寫作規則起草。這篇沒有做 Day 2 那種六個審查者的檢查。

下一篇談你省略的條件與沒標清的關係，會變成 AI 的猜測。