##🔍 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。