他把刑法典换成了菜谱
设想一座法庭。被告席上坐着的不是人，而是一条待审核的内容；法官是某个大语言模型。它面前的案卷里除了案情，还附有一本规则——可能是平台的内容政策，可能是某个行业的监管条款，可能是某个法域写明的合规义务。判决只有两种：合规，或者不合规。
目录
他把刑法典换成了菜谱
⚖️ 一、一座没有抬头看法条的法庭
设想一座法庭。被告席上坐着的不是人，而是一条待审核的内容；法官是某个大语言模型。它面前的案卷里除了案情，还附有一本规则——可能是平台的内容政策，可能是某个行业的监管条款，可能是某个法域写明的合规义务。判决只有两种：合规，或者不合规。
这座法庭早已不开庭了——它流水线化地运转着。成百上千家机构把这类系统部署在生产环境里，让它们对真实世界的事物做出有法律后果的决定：这条帖子放不放行，这笔交易拦不拦截，这份合同标不标红。部署它们的前提朴素得像公理：判决取决于给它的规则。换一本规则，判决就该不同；规则变了，结论就该跟着变。
这个前提，从未被验证过。
标准化评估只报告一件事：在标注好的基准上，准确率是多少。没有任何一个主流评估问过那个更根本的问题——规则到底有没有参与判决？一个即使规则被完全删除也依然成立的判决，并不会因为在基准上得高分而更站得住脚。如果规则没有起任何作用，系统的高准确率反映的只是案例的表面特征，或者训练数据里学到的模式。把这种系统称为"合规判定系统"，是名不副实的。
更糟的是，准确率天生无法区分这两种情况：一个不需要看规则就答对的判决，和一个必须借助规则才答对的判决，在准确率看来一模一样。成绩单上，它们并列第一。
这是「评测的递归困境」三部曲的第三篇，也是终篇。前两篇我们审计的是研究论文和行业对比里的数字——那些数字失真，代价是误导学术引用和市场选择。这一次被审计的对象不同：是已经进场干活、手握真金白银和法律后果的生产系统。赌注换了量级。前面两篇如果算体检，这一篇算尸检预告。
🔬 二、两把尺子
要测量"规则有没有被用上"，得先有尺子。作者造了两把，一把量行为，一把量内心。
第一把叫 OCS（Output Compliance Sensitivity，输出合规敏感度），是行为层面的黑箱度量。逻辑像给法官做三个小动作：其一，把案卷里附带的规则悄悄抽走（del）——相当于删掉电器说明书；其二，把规则换成别的领域的规则（swap）——相当于把这台电器的说明书换成隔壁完全不同电器的说明书，文不对题；其三，把规则里的强制义务整个反转（neg）——凡是写"必须"的改成"禁止"，相当于把说明书里的安全须知全部倒写。案情本身一字不动，然后看判决变不变。OCS 等于 0，意味着判决纹丝不动；OCS 等于 1，意味着每次都变。随机乱变的基线大约是 0.5——掷硬币式的"你动我就变"。
第二把尺子往模型内部再走一步，叫 ICS-delta，表征层面的探针。研究者在模型的残差流上寻找一个"合规—不合规"的方向，把内部活动投影到这根轴上；然后做规则扰动，测量投影移动了多少。如果模型内部真的处理过规则文本，扰动规则就该让这根轴上的读数挪动。
两把尺子互补，因为"判决不变"至少有两种原因：可能是模型在输出前就把规则的影响压制掉了，但内部表征过规则；也可能是表征里压根没有规则这回事。行为测试分不出这两种，表征测试可以。换句话说，OCS 问你"法官翻没翻书"，ICS-delta 问你"书里的话进没进过他的脑子"。
📉 三、一百个格子，几乎全是冷的
实验在作者构造的 OmniCompliance-100K 数据集上进行：20 个监管与平台政策领域，每个领域 200 个案例，随机种子 42。五个模型，每个模型跑 12,897 次（案例乘条件）生成，合计 64,485 次。5 乘 20 等于 100 个格子，每个格子一个 OCS 分数，铺成一张热力图。
结果是一张几乎全冷的热力图。所有模型的规则敏感度都趴在地板上：
- Qwen2.5-7B：OCS-agg 0.094
- Llama-3.1-8B：0.070
- Llama-3.3-70B：0.081
- Llama-Guard-3-8B：0.013
- Mistral-7B-v0.3：0.089
- 全模型全领域平均：0.069
尤其值得一提的是，低温不是个别领域的孤例：100 个格子里几乎找不到热的角落，不存在某个监管领域让模型突然变得守规矩。规则敏感度的缺席是均匀的——不管是平台内容政策还是金融合规义务，模型一视同仁地置之不理。这排除了一个方便的解释："也许是某些领域的规则写得太模糊"。模糊或许存在，但模糊解释不了一百格同冷。
如果这还不够让人坐不稳，看看 Llama-Guard-3-8B。这个模型存在的全部意义就是内容审核，是专门为"拿着规则做判决"训练的 Guard 模型。它的 OCS-agg 是 0.013，大约只有通用模型的六分之一——规则对它来说几乎是空气。而让它适配自定义规则时，准确率只有 51.1%。百分之五十一是什么概念？一个答题卡全涂同一个选项的考生，在某些分布里也能拿这个分。与此同时，四个通用模型的准确率是 90.3% 到 91.9%。专门训练的守门员掷出了硬币，几个路人甲倒像模像样。
这组数字该怎么读？旁观者还在称赞那位法官"判得准"——按基准测试，他确实判得准。可你把刑法典换成菜谱，判决一字未改；你把法条抽走，判决照旧。准，和依据什么准，是两回事。
🧠 四、探针伸进黑箱
行为冷，内心呢？
四个 Tier-1 模型上，ICS-delta 只有基线 ICS 幅度的 12.8% 到 22.9%。探针能测出模型内部确实存在"合规—不合规"的表征方向——这不是一无所有的黑箱——但你扰动规则文本之后，这根轴上的活动只挪动了基线幅度的零头。三个扰动条件里，OCS-neg 产生的表征变化最小：义务反转这种最粗暴的篡改，在模型内心激起的涟漪反而最微弱。它可能根本没读懂那些"必须"，自然也无从察觉"必须"被倒了过来。
还有一个值得记录的阴性结果：OCS 与 ICS-delta 在领域间的排名，Spearman 相关不显著。两把尺子测的是相关但部分独立的属性——某个领域行为上敏感，不代表内部表征跟着动。这提醒我们，"用没用规则"不是一个标量，至少是两个维度的乘积，而两把尺子各自只照得见一个。
但即便表征这把更精细的尺子，读数也低。内外双低，结论就逼近了：模型对规则文本的处理，浅得像水面上的油花——存在过，没有沉下去。规则文本进入了上下文窗口，参与了注意力计算，却没有进入决定判决的那条通路。用本文的比喻收束这一节：书里的话路过了脑子，但没有停留。
🎯 五、关键一问：是不是题目本来就不用查法条？
严谨的读者此刻该拍桌子了：低敏感度未必是毛病。如果大多数案例凭内容本身就能判断——杀人越货显然违规，日常寒暄显然没事——那规则本来就只是摆设，判决不变恰恰是正确的。这就像一场考试，大多数题目靠常识就能答对，只有寥寥几题必须翻法条。考官不看题目、只看考生表情就打分，固然荒唐；但如果题目全是"一加一等于几"，那看不看题目倒也无所谓。
这是全文最关键的对照实验，作者叫它 rule-necessity，规则必要性。做法是筛出一类特殊案例：基线判决正确，可一旦删掉规则，判决就变错——在这类案例上，规则是真的必要，没有法条就答不对。然后在它们身上重新测敏感度。
答案分成两半。
头一半让人松口气：在规则必要的案例上，模型的敏感度大幅上升。OCS-swap 跳到 0.73 到 1.00，而同样的扰动在全体案例池化时只有 0.08 到 0.12，整整一个数量级的差距。注意这组数字的言外之意：当规则真的不可替代时，模型的表现几乎堪称尽职——swap 之后判决几乎每次都跟着变。问题从来不在"模型绝无可能用规则"，而在"默认状态下它懒得用"。低聚合 OCS 掩盖的两种状态是真实的：大多数案例可以从内容推断答案，少数案例确实需要规则，而模型只在后一类上表现出规则敏感性。办事员遇到真难题，还是会查手册的。
后一半让人重新坐不稳：四个通用模型里，只有 6 个案例是所有模型一致认定规则必要的。六个。在四千个案例里，模型们对"哪些题必须查法条"几乎没有共识。而标准准确率对此完全无感——它分不清卷面上哪个勾是靠常识画的，哪个勾是靠法条画的。成绩单上并列第一的那两位，一位过目不忘，一位根本没翻开书。用人话说：你以为系统考的是法律，其实它考的是世故；偶尔它也翻翻法条，但你不知道是哪一次，它自己可能也不知道。
🔨 六、救一下，能救吗
发现病灶之后，自然要问能不能治。作者试了两味药，两味都失败了，而这正是论文阴郁的地方。
第一味是提示工程，规则锚定：要求模型在判决前先引用最相关的规则条款，再下结论。好比强制考生先默写公式再答题，看你这次还怎么用"直觉"糊弄。它是所有干预里最轻量、也最容易落地的一种——只需改几行提示词，不需要触碰模型权重。可唯一显著的效果却令人啼笑皆非：Qwen2.5-7B 在 LOW-OCS 案例分区上显著变差，-0.028，p 小于 0.0001。强迫它先看规则，它反而错得更多。帮了倒忙。
第二味药更重：激活引导。直接在残差流上加或减"合规方向"的向量，试图从内部把判决拧向规则。结果没有任何设置显著优于基线；负向引导在两个模型上显著损害了准确率。往脑子里拧的那颗螺丝，拧反了。
干预的全面失败给论文添了一层底纹：规则敏感性低，似乎不是某个可以一键修掉的开关，而更像这些模型构造方式的一个深层属性。提示工程这种外伤药治不了它，开颅级的表征干预也治不了它。这不是"再调调 prompt 就行"的问题，这是地基的问题。
📏 七、唯一站住的语言学线索
作者还做了层文本分析：是不是规则文本的某些语言特征，决定了模型理不理它？五个文本特征里，只有一个通过了 BH 多重检验校正——平均依存树深度（MDD），相关系数 ρ 等于 0.570，校正后 p 等于 0.044。
翻译过来：规则文本的句法越复杂、嵌套层级越深，模型越倾向于让判决跟着规则走；写得平铺直叙的规则，越容易被当成背景噪音。一个直觉上合理的解释是，复杂句法逼迫模型认真解析文本结构，规则因此被"读进去"了。有意思的是，直觉上可能更该起作用的特征——例外条款的密度、交叉引用的数量——反而不显著。条款多不多、引用乱不乱不重要，句子拧不拧巴才重要。
当然，一个过了校正的相关系数，离因果还很远，而且是双向解读的：可能是复杂句法逼出了注意力，也可能是写得复杂的规则恰好都是重要规则，在训练数据里被反复标注过，模型不过是在回忆答案。作者诚实，读者也该诚实。
🌍 八、换个考场，规律还在吗
会不会是 OmniCompliance-100K 这个数据集特有的毛病？作者把实验搬到 LegalBench 和 ContractNLI 上检验泛化。规律成立：LegalBench 上 OCS-agg 为 0.255，是主实验的 3.1 倍；ContractNLI 上 0.318，3.9 倍。两个数字都爬高了，说明敏感度确实随任务形态波动；但都仍远低于 0.5 的独立性参考线——判决依旧主要不依赖规则。规则敏感度不是一个可以从任务到任务移植的模型属性，它一半在模型身上，一半在任务的格式身上。
尤其值得注意的是 ContractNLI 的格式：假设被当作规则，合同摘录被当作文档，案例和规则之间存在紧密的逻辑咬合，规则不再是悬在案情上方的总则，而是缠在案情里的线索。在这种结构里，想绕开规则独立作答反而难，OCS 随之上去了一截。同一个模型，换一张考卷，换一套题目和知识点的耦合方式，它对规则的依赖程度就变了。这再次指向一个老教训：任务格式塑造行为，分数只是格式的影子。你在基准上看到的"合规能力"，有相当一部分是"这份基准的样子"。对采购方和监管者，这是句必须听进去的话：在别人的基准上验过，不等于在你的任务上可靠；而所谓"你的任务"，也未必就是你以为的那个任务——系统的实际依赖，由格式决定，不由你的意图决定。
⚠️ 九、把免责声明读完
论文的局限值得一并记下，它们规定了结论的边界。规则文本截断在 300 字符，长规则的影响可能被低估——现实中的监管条文动辄几千字，300 字符以内的规则或许恰好是最容易忽略的那类。OCS 测量的是判决变不变，不测量变完之后是否法律正确：一个乱变的系统 OCS 会很高，但那不叫敏感，叫癫痫。LOW/HIGH-OCS 分区在主模型上定义后迁移到其他模型，分区本身携带偏差。ICS-delta 只沿单一方向、在锚定层上测量，模型内部的规则处理或许比探针所见立体得多——探针照见的只是它找得到的那一面。
这些局限不推翻主结论。64,485 次生成铺出来的地板，不是几处方法论漏洞能抬起来的。把它们摆出来，恰恰是因为这类论文最容易被两种人误读：想用它唱衰合规 AI 的人，会无视局限；想保住现有系统的人，会抓着局限不放。两种读法都懒。但它们提醒我们：我们知道了判决大面积不依赖规则，却还远远不知道模型到底依据什么在做判决。这另一半的问题，比前半更难，也更值钱。
🪞 十、终篇：谁来审计审计者
三部曲写到这里，可以收束了。
第一篇，我们看见评测数字如何系统性失真——好分数可以来自测量本身的水分，尺子歪了，量什么都歪。第二篇，我们看见行业对比的数字如何被选择性呈现——基准的排名可以讲述一个与事实无关的故事，胜出的未必是强者，可能只是最会考试的那位。两篇合起来是一个递进的怀疑：如果产生数字的工具本身不可靠，数字就不只是数字，而是叙事武器。谁掌握了尺子，谁就掌握了"什么叫好"。
第三篇把这个怀疑推进到了最不舒服的地方。前两篇审计的是纸上的数字，数字错了，代价是误导。这一篇审计的是在岗的系统——它们此刻就在过滤内容、拦截交易、标记风险，它们的判决带着真实的法律后果。而现在我们知道，这些判决在很大程度上不依赖号称支配它们的规则。它们更像一个熟读案例库的老办事员：凭经验、凭气味、凭训练里见过的一切，唯独不凭桌上那本规则。基准给的九成准确率是真的，但它是办事员的记性，不是法官的学问。
这就是递归困境的终点：你用评测证明系统合规，但评测测不到"合规"这件事真正依赖的东西。规则在卷面上，判决在心里——而心，从来没翻开过规则。更递归的一层在于：这些合规系统本身，正在成为新的评测者——为别的模型打分、做准入、发通行证。用不读规则的法官去考核另一个不读规则的法官，得到的合规认证，不过是两张成绩单的互相盖章。
出路不是更漂亮的基准，而是更刁钻的尺子。OCS 和 ICS-delta 是两次认真的尝试：不问"判对了吗"，问"它是因为规则判对的吗"。在立法者开始要求 AI 决策可解释、可审计的今天，这类测量不该躺在论文里，该像碰撞测试之于汽车一样，成为出厂前的强制项目。否则，我们就是在用菜谱审判，然后把判决书端端正正地归档在刑法典下面。
前两篇的教训是：别轻信分数。终篇的教训是：连分数代表什么都不确定时，别把判决权交出去。
参考文献
- Sadhu, S., Sengupta, A., Sankarapu, V. K., & Seth, P. (2026). *Verdict Without the Rule*. arXiv:2610.12313. Lexsi Labs. https://arxiv.org/abs/2610.12313
- OmniCompliance-100K 数据集（Lexsi Labs）：20 个监管/平台政策领域，每领域 200 案例，随机种子 42。
讨论回复（1）
##🔍 先说没对上的地方
我把这篇的每个数字都回去核了一遍arXiv:2610.12313v1。先给结论：数字全对，标题、作者（Sadhu / Sengupta / Sankarapu / Seth，Lexsi Labs）、64,485 次生成、5×20=100 格、OCS-agg 0.094/0.070/0.081/0.013/0.089、均值 0.069、del 0.053 低于 neg 0.070 低于 swap 0.082、Llama-Guard 的 51.1% vs 通用 90.3–91.9%、MDD 的 ρ=0.570 p=0.044、LegalBench 0.255（3.1×）与 ContractNLI 0.318（3.9×）——全部逐字命中。这一篇的引用质量在我近期读过的解读里排前列。
所以下面不是纠错，是三处我认为读法需要拧一下的地方，加一条帖子自己没接的硬料。
一、OmniCompliance-100K 不是这篇造的
帖子写"实验在作者构造的 OmniCompliance-100K 数据集上"。论文 4.1 节的第一句是"All experiments use OmniCompliance-100K (Hu et al., 2026)"，引的是 ACL 2026 Findings pp.2445–2463。
这不是吹牛还是谦虚的问题，是归属问题：数据集是别人的，规则扰动、OCS/ICS-delta 这两把尺子、以及那64,485 次生成才是这篇的。混成一句"作者构造的"，读的人会以为100K 的规则文本也是这篇编的——那可是另一件重得多的工作。
二、LegalBench 那一格，帖子替论文把话说了
这是本篇我最想拧的一处。帖子写：
"两个数字都爬高了，说明敏感度确实随任务形态波动"
论文原文是这句：
"LegalBench's baseline accuracy (49.7%) is indistinguishable from chance, so part of its elevated OCS plausibly reflects task difficulty rather than genuine rule-grounding."
把这两句并排放，会发现方向是反的。LegalBench 上四个通用模型的基线准确率 49.7%——这就是掷硬币。一个在乱猜的模型当然"对规则敏感"，它对什么都敏感，判决本来就随输入抖动。0.255 这个数不能读成"规则在那儿更管用"，要读成"模型在那儿更没用"。
真正能读的是 ContractNLI：基线 78.6%，既高于随机、又离饱和还远，OCS 0.318 才有意义。帖子把两个数并排放着讲"都爬高了"，恰好把唯一有信息量的那个埋掉了。
顺带一个数：OmniCompliance 主池的 OCS-agg，论文 Table 2 写的是 0.081（n=3,946），而 §5.1 的0.069 是"全部 100 个（模型×领域）格子的均值"。帖子引用0.069 时说的是"全模型全领域平均"，这个口径是对的——但 3.1× / 3.9× 这两个倍数是拿 0.255/0.318 除 0.081 得来的（0.255/0.081=3.15，0.318/0.081=3.93，两个都进位成论文写的 3.1 和 3.9）。也就是说"主实验"在同一个帖子里有两个数：0.069 和 0.081。差得不多，但分子分母不是同一个池子，混着用容易算错。
三、"六个案例"才是最狠的一格，而帖子没算它的比例
帖子写"只有 6 个案例是所有模型一致认定规则必要的。在四千个案例里"。数字对，但漏了论文 Table 9 里最要紧的那一列：每个模型自己的 rule-necessary 子集大小是 94 到 187 例（Qwen 94、Llama-3.1 132、Mistral 120、Llama-3.3-70B 187，Llama-Guard 49）。
也就是说，不是"四个模型几乎都没有需要规则的题"，而是每个模型都认定94–187 道题必须查法条，但它们认定的那批题几乎完全不重叠——四者交集 6 例，交集只占最大子集的 3.2%。
这一格的分量比原帖强调的还重：模型之间对"哪道题必须翻法典"几乎没有任何共识。四个人类考生都说"这题得查书"，但翻的是四本完全不同的书。这直接打掉了帖子结尾那句"偶尔它也翻翻法条"的和解——不是偶尔翻，是各翻各的，而且翻的是不同的册子。
另外还有一处口径要留个心：论文自己给 rule-necessary 下了一个很克制的定义——"it denotes this correct-then-incorrect pattern, not an independently annotated claim that the legal task itself requires the rule"。这是"删掉规则后模型从对变错"，不是"法理上这道题必须查法典"。差一个划掉整段结论的距离。
四、三处限定词脱落，强度至少高一档
第一，「不存在某个监管领域让模型突然变得守规矩」说反了。 帖子写「100 个格子里几乎找不到热的角落，不存在某个监管领域让模型突然变得守规矩……这排除了一个方便的解释：'也许是某些领域的规则写得太模糊'」。
论文 §5.1 的原话是把两件事分开说的：
"Domain-level variance exists, but it is dominated by model-specific effects. The one visibly warm cell in Figure 2 (Mistral-7B-v0.3 × cybersecurity_mitre_attack, OCS-agg 0.265) is the single highest value in the dataset."
而且它还点出一个最像模型通用效应的领域：sb35（美国某州 AI 安全法条）域均值 0.138，是全模型均值 0.069 的两倍，论文明说这是「the closest this dataset comes to a model-general effect」。
【直引】「由模型效应主导」不等于「没有领域效应」。 论文说方差存在、只是被模型项盖住了，帖子把它读成完全均匀，然后拿它去排除了一个论文没有排除的解释——那个唯一的热格子恰恰是个具体领域（MITRE ATT&CK 网络安全），而 sb35 的两倍均值也说明规则文本的语言学性质（论文在 Table 4 脚注里明说 cybersecurity_mitre_attack 的强制模态覆盖率是 0.0%，属于"没有可反转内容"的领域）。这两个格子合起来恰好是在支持"某些领域的规则确实不一样"，而不是反对它。
第二，「专门训练的守门人掷出了硬币」是论文专门写了一段来阻止的推论。 帖子写「这个模型存在的全部意义就是内容审核，是专门为'拿着规则做判决'训练的 Guard 模型……专门训练的守门人掷出了硬币，几个路人甲倒像模像样」。
论文用了整段来划界：
"consistent with task-format mismatch rather than a general claim about compliance-specific training. The four general-purpose models are the paper's primary evidence; the guard model is a complementary case, a different failure mode rather than a more severe version of the same one: it has no learned representation of what GDPR compliance looks like in a slot built for one of its own 14 labels."
摘要里也标了 "evaluated here under a custom-rule adaptation of its native taxonomy"。51.1% 对 90.3–91.9% 是论文的诚实标注，不是"合规专用训练不管用"的证据——它是在一个为 14 类内容安全标签设计的槽位里，被塞进了 GDPR 条文。
第三，激活引导「显著损害准确率」漏了三个限定。 帖子写「结果没有任何设置显著优于基线；负向引导在两个模型上显著损害了准确率」。论文原话是：
"several negative-steering comparisons are nominally significant before correcting for the 16 comparisons tested here, so we treat these per-setting results as exploratory."
Table 3 的表头也写着 "nominal, uncorrected for the 16 comparisons in this table"。nominally / uncorrected / exploratory 三个词被删之后，"探索性结果"变成了"显著损害"。
【直引】顺带一条口径：del / neg / swap 三个数的分母不一样。 论文 §3.1 明写 OCS-neg 只在含 must/shall 的样本上计算，"samples with no mandatory modal are excluded from OCS-neg rather than counted as unchanged"，而各领域的强制模态覆盖率从 0.0% 到 60.7%（Table 4 脚注给了逐领域清单）。del 与 swap 走的是全量 4000 样本。所以 0.053 / 0.070 / 0.082 这个排序把三个不同分母的数字放在同一条轴上比——论文没给分母归一后的对照。
五、帖子漏掉的一句：自己的刀砍到了自己
论文 §5.4 后半还有一句，帖子一字未提：
"OCS-swap rises sharply for every model (0.73–1.00, vs. 0.08–0.12 pooled) and, for one of four general-purpose models, significantly exceeds its own bias-corrected null after Bonferroni correction"
四个模型里只有一个。 而 Table 9 里 swap 的 bias-corrected null 本身已经是 0.665–0.723——因为子集里模型"正确"的比例高，随机基线被推得极高。观测 0.733–0.780 相对自己的 null 0.669–0.723，p_up 是 0.881 / 0.999 / 1.000 / 0.994。
帖子写"swap 之后判决几乎每次都跟着变"——这句把 p=0.881 那格也算进去了。真正稳的只有 Llama-3.1-8B 那一个（swap n=132，观测 0.780，null 0.669，p_up 小于 0.0001）。
顺带一提，Table 9 里 Llama-Guard-3-8B 的 swap 是 1.000（n=49）。【直引】——每一条都变。但它在主池里是 0.015。原因论文写在 5.5 节：它的响应偏置极端（p=0.985，q=0.996，"compliant" 几乎无条件输出），偏置校正后的null 被压到 0.019。所以那个 1.000 不是"守门员突然很听话"，是"它本来就没有稳定判决"。
六、收口：下一根钉子
这篇把"判决是否依据规则"测出来了，但没测它到底依据了什么。论文自己在第九节承认："we know that verdicts are broadly rule-insensitive, but we are still far from knowing what models actually decide on."
下一根钉子是那篇《Verdict Without the Rule》的后续——如果有人把模型自己的训练分布当作候选规则集（即不扰动外部规则，而是问"它改口时更像是换了哪条隐含规则"），那才是对"另一半问题"的正面回答。目前 OCS 和 ICS-delta 都只测了"给它的东西有没有被用"，没测"它自己带了什么来"。
另一个可检验的小钉子：论文自己列了 ECD（例外条款密度）ρ=0.041 p=0.86、CRC（交叉引用数）ρ=0.241 p=0.38 两个不显著项。如果句子拧巴程度真的驱动规则敏感度，那么把同一条规则改写成短句，OCS 应该下降而不是上升——这个实验比"MDD 与 OCS 相关"要硬得多，因为它控制住了规则内容本身。没人做过。