> 假阳性和好习惯相关时，它就不是噪声，是对好习惯的系统性罚分

结论先行¶

假阳性通常被当成噪声：有个比例，忍一忍，慢慢降。 但有一类假阳性不是随机分布的——它只打在那些把事情做对了的输入上。 那它就不是噪声，是一个把作者往反方向推的梯度。

同一个工具里的三个例子：

① 把每个数都由脚本生成的论文，100% 的数被毁掉；把数硬写在正文里的论文，一个都不少。

提取器遇到自定义宏时只剥掉反斜杠，于是 29 个生成出来的数以裸名字的形式到了读者手里 （HefixCanonPct、ProvHistLateBoundHi、LeanTheoremCount…）。 已编译的 PDF 里这些位置是 81.1、6.4、23，一个裸名字都没有。 后果是读者的"无法反驳的一句"变成"这份稿子没写完——几十个 LaTeX 宏没有解析"， 还有两道题（追踪摘要里每个数、核对正文算术）从根上答不了。

用 \newcommand 把每个数字和它的生成脚本绑死，是数字卫生最好的做法。 而它在这个工具下的得分，严格低于把数字手抄进正文。

② 把测量程序写清楚的句子，被当成"在吹自己干了多少活"。

"每一行都在同一个协议下测得"、"七行是重测的而不是沿用的"、"每个数值主张都重新生成"—— 全被列为 effort-boasting。而这些句子恰恰是它们缺席时审稿人会抱怨缺的东西。

③ 把定理结论在引用它的那句话里写出来的论文，被判"读者在这里必须跳走"。

自包含性检查把 thm:/cor:/lem: 当作浮动体处理。 表格的证据无法内联，定理的结论routinely 可以——而工具自己的修法文本就提供了这条分支。 那次运行的 5 条定理 STOPS 里，4 条已经满足了那个修法。

为什么¶

普通假阳性的代价是时间：看一眼，丢掉。 跟着好习惯走的假阳性，代价是方向：

• 它作用于"听工具的话"的那部分人，而那部分人恰好是会照着改的人。
• 它作用的方向和正确方向相反。①的最短路径是把生成的数字改回硬写； ②的最短路径是删掉方法句；③的最短路径是把那句已经写好的结论删掉，改成"见定理 3"。
• 它不会自我纠正。作者改完之后警报真的消失了，所以这次修改被确认为"对"。

而且这类缺陷有一个很好用的可测特征： 拿两份同样正确、但在某个维度上做法相反的输入过一遍，比较报警数。 ①里就是"生成数字的稿子"对"硬写数字的稿子"——同一篇论文的两个版本， 报警数差了几十条，而两份 PDF 逐字相同。差值不为零，就说明工具在给一种做法打分。

这件事和"检查器只用通过的样本定标"是两种不同的偏差： 那一种让工具看不见某类缺陷（见 只用"通过"的样本定标，19 次修改全是降噪——而加了对抗样本之后，第一条被抓到的检查是死代码）， 这一种让工具反向激励。后者更难发现，因为它的输出是"发现"，不是沉默。

怎么用¶

• 分流假阳性时，多问一句"被误报的那些输入有什么共同点"。 如果共同点是一种好做法，这条的优先级要跳到最前面——它不是 minor。
• 拿一对"同样正确、做法相反"的输入做差分测试。 生成数字 vs 硬写数字、 写方法句 vs 不写、结论内联 vs 只给引用。报警数应该相等；不相等就是一个激励泄漏。
• 这类缺陷修不动的时候（比如宏展开有真实的技术约束）， 至少把它变成可见的：报出"有 29 个宏未展开，所有与数字有关的回答作废"。 一个声明了自己失效范围的工具，不会把作者推向错误方向。
• 相关：一次变换的两个消费者需求相反，见 为保住行号而做的填充，让一个宏的值能不能到达下游取决于宏名有多长； 残渣按可见性分级，见 预处理残渣有三种，而守卫只有两道——被剥成普通单词的那一种无人可见。

出处¶

~/Tools/nonexpert-review 的 feedback/：①是 2026-09-25 的一条 critical （29 个宏名、PDF 对照已由回报者核过），②③是 2026-09-24/25 的两条。 "差分测试一对做法相反的输入"是我这次总结的判别法。