# 仪器标定：预登记

写于 2026-09-03，**跑之前**（写这份文件时 calls.jsonl 只有 11 行 / 366）。
判据同时写死在 `instrument_server.py` 顶部的 `GATES` 里，跑起来之后不改。

## 为什么要有这一轮

前几轮所有结论都建立在一个观测量上：AB 与 BA 是否一致。而这一个量同时被
三件事驱动，三者对它的预测**完全相同**：

| | |
|---|---|
| A 位置偏好 | 系统性偏好某个槽位 |
| B 决策边界任意 | 连拍近重复上模型本来就没有可靠信号 |
| C 理由是编的 | 文本不携带照片信息 |

一个观测量分不开三件事。`SLOT-TEMPLATING.md` 那条「甲乙对调后相似度反而更低」
就是这么退化的：它选的子集（两次答同一槽位）本身定死了不等号方向，A 和 B
给出一模一样的预测；而把 BA 的理由换成**完全无关的另一对**做安慰剂，
几乎原样复现了那个差值（+0.150 vs +0.154 等，6 组里 5 组持平、1 组反向）。
那个检验测的是 22 字短句的句式，不是模型行为。**该文档的量化结论作废**，
位置偏好那条（`POSITION-BIAS.md`，靠边缘分布）不受影响。

## 答案通道改了

`compare.ts` 的答案是 `enum ['JIA','YI','TIE']` —— **这三个符号本身就是槽位标签**，
只看位置的模型不看图就能填满。所以答案通道在设计上无法区分「看了图」和「填了槽」。

这一轮给每张物理照片烧一个随机 4 位码（**加边，不覆盖画面** —— 压住画面就
分不清「位置驱动」和「被挡住了」），答案要求把码抄回来。附带效果：
我们这边的位置映射整个消失，「是不是我们自己算错了位置」从结构上不再可能。

⚠️ 烧码 + 多要两个字段**换了被测对象**，本轮与历史轮次不可直接比较。
理由同 `compare.ts` 里 `allowNeither` 那条。

## 条件

| 代号 | 送进去 | 隔离出 |
|---|---|---|
| `AB` | 甲=a 乙=b | 基线 |
| `AB2` | 甲=a 乙=b，**逐字节相同**的重复调用 | 噪声地板 ε |
| `AB3` | 甲=a′乙=b′，重编码 q−8、肉眼无差 | 扰动敏感 δ |
| `BA` | 甲=b 乙=a | 位置效应（含 δ、ε） |
| `AA` | 同一张照片两个副本，**烧不同码** | 编造率 |
| `sanity` | 原图 vs 自己的重度模糊副本 | 正对照 |

`位置效应 = d(AB,BA) − δ − ε`，d 是「选中的**物理照片**不同」的比例。

AA 烧不同码是关键：两个副本不再是相同图像，模型没法用「这俩一样」脱身，
而质量差异严格为零 —— 此时任何非 TIE/NEITHER 的回答都是编造。

正对照用**注入缺陷**（高斯模糊）而不是「人眼觉得明显」的题：后者仍要靠标注，
而标注本身是待检验的东西之一。

## 判据（跑之前定死）

| 量 | 通过线 | 不达线意味着 |
|---|---|---|
| 码读对率 | ≥ 90% | ＜90% → 图像通道有问题，位置之争无意义，先修它 |
| 幻觉码 | ≤ 2% | ＞2% → 答案不是内容寻址的 |
| ε 管线噪声 | ≤ 5% | ＞5% → **历史所有轮次的 MDE 都算低了，要重算** |
| δ 扰动敏感 | ≤ 30% | ≥30% → 决策边界任意，成对比较在连拍近重复上不可用，换问法而不是继续调 prompt |
| AA 编造率 | ≤ 20% | ≥20% → 编造确认，理由字段永不外显；「不一致」不能一律记作判错，要单独分层 |
| 正对照准确率 | ≥ 90% | ＜90% → 仪器失效，本轮作废 |

n=78 时比例估计的 95% CI 半宽约 ±11%，足够区分 5% 与 35%，不足以区分 30% 与 40%。
阈值按这个精度定，不设更细的门限。

## 已经跑完的：grounding 探针（4 次）

```
码读对        4/4
框顶部黑边     IoU 0.53 / 0.55 / 0.55 / 0.67
```

结论：**码信道可用**（这是整轮的前提）。grounding 机制可用但**精度不够** ——
模型系统性把边高低估约一半，x 方向准、y 方向差 2 倍。框一条高对比度黑边
（真值精确已知）尚且如此，定位「让它做判断的那块脸」只会更差。

**所以 `face_box` 降级为探索性记录，不作判据。** 判别力由码信道承担。

## 这一轮不回答什么

- 不回答 rubric 有没有用（那是 `CRITERIA-MERGED.md` 那轮，必须排在这轮之后）
- 不回答理由文本有没有信息 —— 那要靠**盲还原测试**（把理由的标签抹掉，
  两张照片随机排序给标注者看，问这句话在夸哪一张），0 次调用，另做
- 码读对只证明模型看了角落的字，**不证明它看了脸**。所以正对照必须留着