指标诚实的代价：三个数字与它们的口径

同一场面试落下两个数字——听对率 100%、送达率 33.4%。问题不在哪个数字错了，而在它们量的是不同的东西；而把口径改对之后要付的五笔代价，才是这一集真正的主题。

一、开场

• 2026-10-06 02:20 场次（..._night_2026-10-06_A）：听对率 100%（9/9，首次达标），送达率 33.4%。两个数字都真。
• 口径的白话：这个数字到底在数什么——分子是谁、分母是谁、什么算进来、什么被排除。
• 更难受的问题：口径改对之后数字会变好看还是难看，事前不知道；为让数字好看去改口径，那不是测量，是化妆。

数字从哪来：每场留下 assistant_ws.jsonl（WS 每帧带时间戳）、timeline.log（每 20s 探针）、room_*.html 快照、archive.json 回执、以及房间麦克风实际录音 room_mic_audit.webm。没有这套材料，就没有后面任何一次拆解。

二、三个数字在量什么

送达率算法 = 最长公共子串覆盖率：我这句在对方记录里最长连续重合占原句多大比例，再取算术平均。

为什么用最长公共子串而不是 Dice：平台会把多句合并成整段，Dice 会被长度稀释。这个选择本身是对的，不要改；要改的只有「分母取哪些句」。

辅助口径：发言健康度（均字数 ≥10 字、≤6 字碎片 ≤30%）、回声泄漏（0 条）。三个数字的分母完全不同，本来就不该放在一起比高低。

三、三十三点四是怎么来的

• 播出组与未播出组差 4.3 倍；未播出组得分 ≥0.6 的占比 0.0%。
• 若真是「平台每轮只收约 60 字」，两组应同样低；一个 0.566、一个 0.134 → 差异只能来自「播没播」。
• 根因：答案超长被我方截断，91 段只播 35 段，8/16 段被裁，61.5% 内容从未出声。

33.4 是我方截断 + 分母口径叠加出的合成假象：它诚实，但把两种完全不同的失败混在了一起。

四、推理链断在哪

旧推理：171 句里零分句只有 1 句 = 0.6% → 「低分是全局性的，不是尾部整段归零」→ 归因平台容量。

断点：覆盖率是连续值——被丢弃的句普遍拿 0.1~0.3 而不是 0，这个统计口径天然看不见「尾部整段归零」的结构事实。

正确做法：先分组看分布（播出 0.566 vs 未播出 0.134）。不需要更复杂的统计，只需要先分组。

用连续值指标证明「不存在分组差异」是无效证明。

五、数字不带场次就是假的

• 同一 apply=57541 至少对应 3 个场次，送达率各不相同：0.289 @ ..._0403_job27、0.256 @ ..._0740_job27、0.334 @ ..._night_2026-10-06_A。
• 平台报告按 job_id 索引会互相覆盖。
• 纪律：所有数字必须写成「值（场次目录名）」，只写数字不写场次 = 无效证据。
• 同源纪律：平台候选段长度是区间不是定值——60.1 字 vs 97.1 字，差 1.6 倍。定阈值必须基于 ≥3 场分布。

六、最反直觉的那一段

平台报告里多条候选发言从半句开始：段。首先… / 来说，项目初期… / 免再次出现类似偏差… / 取了以下步骤…。

错位证据：00:50 与 01:20 两段是同一条自我介绍的前后两截，中间被平台插入追问 → 平台按自己的时间窗切段，不认我方答案边界。

真因：平台 VAD 起录滞后。首句落地率实测 50% / 5% / 15%（三个基线场次）。

反直觉钩子：现成的「答案太长就压短」方案在这里是错的，甚至更糟——答案越短，首句占比越大，丢失比例反而更高。压短解决长度，解决不了起录滞后。

七、诚实要付的代价

• 阈值不能动：改口径后 0.566 仍 < 0.6。禁止「为过闸而调参」——阈值须由 ≥3 场新口径分布反推。该阈值至今待定。
• 不精确的算法不许充数：比例法有 ±0.05 误差，禁止作为正式口径；必须文本级留痕，用「句子 ∈ 播出全文」判定。
• 废答案也不能直接拦：16 段里 6 段是空转话术（6 段 / 42 字）。拦 → 平台听到空气；重试 → 不知是首次还是重试后仍失败。选只记账 + 单列指标。
• 冲突不许自己裁决：发现两条需求打架 → 在冲突台账加一行，等人类拍板。冲突台账优先于正文。
• 不许为验收烧岗位：岗位跑一场少一场 → 走离线回归，零消耗。
• 隐藏的一笔：最直接的取证路径（页面快照数转写字数）已证伪——40 份快照 / 约 200 万字语料，命中 0。

诚实不只是不改数字，还包括承认自己最想要的那条证据根本拿不到。

八、带走的判断

• 两个数字打架，先问口径，不是先问哪个错了。 100% 与 33.4% 可在同一场同时成立——分母不是同一个东西。
• 先确认指标能不能看见你想证明的那种差异。 连续值证明不了「不存在分组差异」；工具决定了你能看见什么，看不见的会伪装成不存在。
• 数字不带场次就是假的。 同编号对应三场三个值、同一测量量差 1.6 倍。把数字和出处焊死是最低成本的纪律。
• 改口径后数字仍难看，不许动阈值迁就它。 阈值由分布反推，不由目标倒推；为过闸调参，是把自己唯一能判断好坏的尺子掰弯。

autobot/docs/REQUIREMENTS-DEV.md §0.1 一句话现状（91 段只播 35 段 / 分母 98 vs 35 / 6 段 filler）+ v3 修正；§1.2 C-001 / C-003 / C-007 / C-009 / C-010；§1.2.1 裁决记录（v4）；§1.3 指标口径速查与三条使用纪律；README.md §9 数据资产。