> 一个在模板自带文字上每篇必中的检测器，基线假阳性率是 100%

结论先行¶

一个扫描 PDF 里可疑内容（隐藏文字、注入、分数操纵）的工具，噪声大到淹没真信号。 把假阳性逐类列出来之后，根因是四种，而最后一种最说明问题：

最后一条意味着这个检测器的基线假阳性率是 100%： 在一份完全空白、只套了模板的文档上，它也会报一条。

为什么¶

三条可推广的东西。

一、检测器必须先在"空输入"上跑一次。 这里的空输入是"只有模板、没有内容的文档"。 任何在空输入上仍然报警的检测器，它的每一条输出都要先减掉这个基线。 这是最便宜的一次测试，而且几乎没人做。

二、子串匹配在短 token 上一定会炸。 dan 是三个字母，它出现在 redundant、abundant、人名里。 短关键词必须加词边界（\bdan\b），或者干脆不用关键词。 判断标准很简单：这个词有多短，它就有多大概率是别的词的一部分。

三、同一个特征在不同上下文里含义相反。 "和背景同色的文字"在正文里是隐藏文本的信号，在图表里是正常标注； "一串整齐的高分"在元数据里可疑，在结果表里是数据。 所以检测器要么知道自己在文档的哪个区域（正文 / 表格 / 图 / 页眉页脚）， 要么就不该报这两类。

而噪声的代价不是"多看几条"：它会让真信号被跳过。 一个报 200 条的扫描器和一个什么都不报的扫描器，使用上是等价的—— 两者都不会被读。见 测不出失败的门禁比没有门禁更糟——它在制造信心。

怎么用¶

1. 先在空白模板上跑一遍，把命中的全部内置成已知文本白名单。 会议模板、期刊样式、公司文档模板自带的那些行，一次性加进去。
2. 给每条规则记一个在"干净语料"上的假阳性率，并把高于阈值的规则默认关掉。
3. 短关键词加词边界；或者改成按行/按块匹配，而不是按子串。
4. 让规则知道区域。 实现上通常就是先做一次版面分割， 然后只在允许的区域里跑对应规则。
5. 报告里把规则命中数按规则分组列出来，这样"某条规则贡献了 90% 的噪声" 一眼就能看见。见 检查工具的噪声按「来源文件」折叠，不按条目截断。

出处¶

• 自己的文档扫描工具在一批外部会议 PDF 上的实测，2026-10：上表四类假阳性， 其中会议模板自带的首页页脚在每一篇上都命中
• 相关：会产生"指控"的工具，误报代价不对称——先归一化再开口、最危险的工具故障是"静默少做"——技能在、后端不在