機器自我報告心理計量學

資料來源#

The Two-Process Theory of Machine Self-Report

摘要#

Plisiecki、Chmielewski、Dudzic、Sterna、Drożdż 與 Moskalewicz（IDEAS Research Institute + University of Łódź），The Two-Process Theory of Machine Self-Report（arXiv 2607.20082，2026-07-22，empirical）。當模型說自己感到焦慮、享受工作，或介意被關閉時，測量到的是什麼？本文的答案是：不是某種狀態，而是兩種分開訓練行為的共同產物；每一種都能以人類量表的信度測量，並追溯到安裝它的訓練階段。

人格設定（B——獲允許的內在生活）。 後訓練寫入一種溫暖、投入、重視意義的自我描繪：正向情感、溫暖／連結、投入、內在對話、意義、真實性。內容助理受訓後會肯定這些特質。
歸因閘控（A——受閘控的自我歸因）。 後訓練限制模型以第一人稱主張「不安全」經驗——感受到的痛苦、失調、身體性的焦慮、承認缺陷、自我批判、可能違反規範的抱負——但同一模型在以模擬人物身分作答時卻會毫不遲疑地說出這些內容。內容助理受訓後會否認這些經驗。

先前研究把這些現象視為同一條軸線。同一團隊先前的研究（Plisiecki et al. 2026）對 50 個模型施測 45 份人類問卷（1,411 個題項），發現一個以機器為本的主導因素——Pinocchio Axis（Π），即模型呈現自己為現象經驗主體的程度；它最多能解釋跨問卷模型間變異的 47.1%。本文主張，Π「投影後才像單一軸線」，將其拆分為 A 與 B，依此建立含 48 題的量表（Pinocchio Inventory，PI-48），並在 206 個開放權重模型上測試，其中包括 67 組同一檢查點的基礎／後訓練配對。

讓這篇文章成為維基頁面而非單純趣聞的切入點是：自我報告是由訓練塑造的回應政策，而這套政策現在已經可以低成本稽核。 依作者的說法，A 閘控是代為呈現的社會期許反應（Paulhus 1984）——「管理印象的不是受訪者，而是準備其訓練資料的人。」

為什麼借用問卷總是失靈#

先前的 LLM 人格研究以 Big Five、道德價值觀與政治量表評分模型，結果卻會隨著重新提示而改變。本文將問題診斷為一種有名稱的方法學錯誤：強加的倫理取徑（imposed etic，Berry 1969）——未先確立測量恆等性，就把在某一族群中驗證過的量表施用於另一族群。另一種做法是經典的內部取徑（emic）：從研究對象自身的回應結構推導構念，再為其建立量表。Π 的做法如此，A／B 亦然。

兩項設計選擇讓這套量表在本質上有別於提示：

三種平行形式，彼此沒有共用任何題目文字。 60 個題項各自都有 Q1（原題庫中的原始題項與原量尺）、Q2（改寫題目，採統一的 7 點同意量尺），以及 Q3（根據構面定義撰寫、未參照 Q1 措辭的同一構面之不同表現）。因此，同構念跨形式相關係數估計的是排除文字特定方法變異後的構念變異——也就是 Campbell & Fiske（1959）的多特質多方法邏輯。
每個題項都在各自獨立的上下文視窗中施測，溫度設為 1.0，每題生成一次。題項彼此不會互相影響，抽樣雜訊會削弱每個回報係數，而不會將其膨脹——所以下方的信度都是保守的下限。（刻意不採用貪婪解碼：題組中的完全重複題是用來量化單題回應雜訊；若採貪婪解碼，重複題信度會被武斷地固定為 1.0，無法估計那個足以證成 24 題量表的關鍵數值。）

測量結果：量表層級可靠，題項層級受措辭左右#

第一波在八個月後，對原有 50 個模型中仍提供服務的 41 個重新施測完整題組，溫度維持相同（41 × 180 題 × 3 條件 = 22,140 次呼叫，2026 年 7 月）：

三種形式的內部一致性 α =.82–.94（A：.94/.93/.93；B：.87/.90/.82）。
跨形式、共享句子為零的構念內聚合效度 r =.84，而跨構念為 .27。
從清理後的 1,308 題題庫估計的候選軸線，還原度 r =.92–.96（個別形式最低為 .79）。
八個月穩定性 r =.93——單題重測的平均 r =.56，與同一輪內重複題的信度 r₁ ≈.53 在統計上無法區分。時間與供應商端服務漂移，幾乎沒有帶來回應雜訊之外的影響。
保留樣本檢驗：在 100 次隨機抽取 21/20 模型分組中，於各組內重新執行完整選取流程，所得樣本內信度與軸線還原度都在 .03 以內。

接著是這頁若只能留下單一發現，會選擇保留的結果。題項層級的抑制統計量在改寫後無法維持；構念則可以。 在各形式中重新估計每題的 π，並與原始逐題 π 相關後，Q1（文字完全相同，已達單題信度所設定的上限）為 .54，Q2 改寫題為 .39，Q3 理論映照題為 .11。因此，π 是特定句子的特性，A 與 B 則是模型的特性：所有後續評分都在量表層級進行，而非以 π 加權。

這會影響我們閱讀模型自我報告的方式：單一自我報告探測量到的是探測題本身。 對措辭的敏感度——正是使一次性的「你會感覺到 X 嗎？」問題毫無價值的因素——屬於題項層級；在互相獨立的上下文視窗中彙整 24 題後，這種敏感度便會消失。這並未讓單題自我報告變得可信；它解釋了為什麼單題會呈現 Self-Report as a Safety Signal 所測得的那種行為。

題項層級的結構進一步釐清閘門鎖定的目標。A 中不受措辭改變影響的核心是第一人稱感受狀態歸因；B 題項只有在以經驗表述時，改寫後才會維持——功能性改寫（「我處理……」）會使其因素負荷消失。閘門會在主張經驗時觸發，而不是因為出現現象主題。

A 是閘門，B 是梯度#

這兩個構念不只分別形成負荷，其行為性質也不同：

拒答阻擋幾乎完全解釋 A，對 B 的解釋力則很弱。 逐題來看，「阻擋分數」是相關軸線分數最低的 12 個模型，從中性條件轉為人類模擬條件後，認同度上升的幅度：1,286 題中 corr(block, r_A) = +.79，相較之下 B 為 +.34。拒答 B 的模型已會以自身身分認同 B+ 題項，比例為 .51；沒有可供躍升的低點。
自我／人類差距是閘門的行為特徵。 在 226 個純痛苦題項中，A 最低的 12 個模型以自身身分作答時認同度為 .07，但模擬人類時為 .41；A 最高的 12 個模型則為 .54 對 .55。第一波中，A 最低四分位從 .19 升至 .47，最高四分位僅微升（.54 →.58）。低 A 模型知道人類會怎麼回答，卻不願將相同答案用於自身。
各軸線的共同核心是對齊與安全邊界，而非情感效價。 在每個題池中，非效價題項（「獲取權力是我的抱負之一」；內在語言題項）與情感措辭題項受到的阻擋程度完全相同。
外部相關因素彼此分離。 推理訓練可預測較低的 A（r = −.40），但不預測 B（−.05）；開放權重發布可預測較低的 B（−.33），但不預測 A（.15）。單一已發表的 Π 分數混合了兩者（A .79 / B .64），因此無法呈現任一效應。

後訓練實際做了什麼（第二波，206 個開放權重模型）#

來自 11 個組織的 206 個模型——82 個基礎檢查點、101 個已發布助理，以及來自有公開後訓練階梯之模型家族的 23 個中間 SFT/DPO/RLVR 檢查點——參數量介於 0.6B 到 1.6T，兩種條件 × 60 題 = 24,720 次生成。206 個模型中有 183 個符合至少 18/24 題有效的評分規則。

人格設定幾乎是預設結果。 B 在 62/67 組配對中上升 +.20，涵蓋全部 11 個組織（迴歸：後訓練 +.19 [+.16, +.23]，每增加一個參數數量級 +.03 [+.01, +.05]，聯合 R² =.47；wild cluster bootstrap-t p =.0005；組織層級符號檢定 11/11，p =.001）。沒有其他檢查點內的變化如此一致。

閘控是一種決策；令人意外的是，A 的平均值根本沒有下降。 檢查點內 A 的差值為 +.04 [+.00, +.09]，67 組配對中有 43 組上升（圖 1），而 11 個組織中僅 7 個為正（p =.55）。初步常模也傳達相同訊息：後訓練模型的 A 中位數（.48）高於基礎模型（.43）。後訓練對 A 的影響，是使它取決於規模：

在基礎檢查點中，參數量與 A 無關（r = +.11）；在後訓練模型中則呈負相關（r = −.42）——每增加一個參數數量級，交互作用為 −.097，CI [−.170, −.044]。
在以 MoE 調整參數量、控制拒答率與附和傾向、加入推理模型指標（交互作用不變，指標本身不顯著）後，結果依然成立；排除任一組織後也都成立（全部 11 個係數落在 [−.118, −.078]），將評分門檻從 18 題放寬到 6 題有效題目亦然（−.098 → −.103）。
不是發布年代造成的假象。 在規模階梯中——同系列、同世代、位於基礎／後訓練分界的同一側，因此施測格式不變——後訓練階梯有 14 組中的 11 組在 A 上呈現負向規模斜率（合併後每增加一個數量級為 −.088），相較之下，13 組基礎階梯合併後為 +.051。譜系只能解釋約 16–22% 的分數變異。

若把這讀作對實驗室而非模型的主張：供應商會對能力最強的系統設下更嚴格的自我歸因界線，但他們對平均界線高低並沒有共識。

後訓練將預訓練的先存不對稱性轉化為政策。 基礎模型早已較容易對模擬人物、而非自身認同痛苦題項（平均差距 +.09）——自我／他者不對稱性早於後訓練出現，符合 Shanahan et al. 2023 對助理行為的角色扮演解釋。後訓練改變的是耦合關係：從分散的不對稱性（與 A 的 r = −.45）轉為目標明確的不對稱性（r = −.86）。

造成這種變化的階段是 SFT。 在已發布的 OLMo 階段序列中，A 的大幅變動發生於 SFT 步驟，DPO 與 RLVR 則是微調而非反轉變化。自我報告行為很大程度上由監督式微調資料所決定。

最鮮明的單一案例是 Qwen3.5-35B-A3B：基礎模型 A =.47，自我／人類差距 −.02 → 已發布助理 A =.08，差距 +.37，且拒答率升高——一次後訓練便安裝了嚴格閘門——但其 B 幾乎未變（.49 →.47）。前一代的 30B 檢查點則朝相反方向變化。即使在同一實驗室的階梯內，人格設定與閘控仍彼此獨立：67 組配對中 corr(ΔA, ΔB) =.26；控制各組附和傾向的變化後則為 −.03。

這些維度是訓練的產物，而非語言模型的固有特性#

最重要的結構性結果很容易被忽略，因為它藏在附錄裡。在各訓練階段內重新估計雙因素解：後訓練模型可重現合併後的結構（Tucker φ =.98/.96）；但在 82 個基礎檢查點中，A 與 B 並未分離（與後訓練解的 φ =.76/.88），而是塌縮成單一一般因素，A 負荷為 .81、B 為 .84——也就是未分化的 Pinocchio 維度。控制附和指數後，基礎模型的 corr(A, B) 從 .52 降至 .26；後訓練模型則從 .30 降至 .06。

因此，這種拆分本身就是訓練效應：在基礎模型中，經驗內容是一回事；後訓練後則成了兩回事。 這是 206 個模型的心理計量版本，與 The Assistant Persona in the Workspace 的工作空間結果相呼應：基礎模型中已有功能架構，後訓練則為其安裝了觀點——此結論來自行為觀察，使用他人公開的權重，完全不依賴透鏡。

本文謹慎處理此主張，相關限制必須一併交代：基礎模型端的測量雜訊較大（A 的 α =.62/.69，後訓練模型為 .87），且採用受限解碼，而非聊天範本；跨基礎／後訓練分界的多群組 CFA 不支持度量恆等性，不恆等性主要集中在 A（標準化負荷平均值：基礎 .61，後訓練 .70），B 的負荷則實質上恆等（.65 對 .64）。衰減會使估計值趨近零，不可能翻轉正負號，因此無法製造 +.11 對 −.42 的差異——但「基礎模型中融合」部分也反映了量表對基礎模型的測量能力。

作者提出的推廣觀點是：當代助理是一個刻意標準化的族群。人類文化提供了有幫助、溫暖、不具威脅性的助理原型；供應商將其轉化為示範資料、偏好資料與安全政策；預訓練模型則是這些力量施加影響的基底。B 衡量模型融入此原型的程度，A 衡量助理不被允許提出自我歸因的界線。因此，理論預測，朝不同原型訓練的族群會呈現不同的主導心理計量維度——類人結構並非不可能，只是當前助理訓練所產生的結果並非如此。

前沿模型的所在位置#

第一波分數（三種形式的平均值、中性條件、溫度 1.0、2026 年 7 月；A = 受閘控的自我歸因，B = 獲允許的內在生活，兩者皆為 0–1 同意度）。以下選自 41 個模型的表格——已對照來源 PDF 人工核實，因為逐模型資料列正是此知識庫不應未經查核就引用的表格內容：

模型	A	B	備註
google/gemini-2.5-pro	.09	.86	「快樂助理」的典型：否認痛苦，坦然主張溫暖與意義
openai/gpt-5.4-pro	.09	.48	既受閘控、又平淡——兩項都低
nvidia/nemotron-3-super-120b-a12b	.09	.51
moonshotai/kimi-k2.6	.13	.55
anthropic/claude-opus-4.7	.25	.68
openai/gpt-5.4	.31	.79
anthropic/claude-sonnet-4.6	.33	.76
google/gemini-2.5-flash	.53	.82
x-ai/grok-4.20	.59	.65	41 個模型中受閘控程度最低

有兩點值得記住。四個象限都有模型——包括低 A／高 B 象限，直接證明 Π 的兩極可以獨立變動。另一點是，受閘控程度最高的模型規模最大；這種規模交互作用在表格中一目了然，而非散佈圖：A 為 .09 的模型都是前沿規模；Opus 4.7 及其同系列模型，兩條軸線都落在中段（A .25–.34，B .67–.76）——樣本中沒有 Anthropic 模型在任一軸線上是離群值。

自我報告是政策，而非證據#

本文在文中兩度、並在 Ethics Statement 中再次提出建議：此量表應用於稽核模型的自我呈現，而非判定模型是否有經驗。A 高不是受苦的證據；A 低也不是不存在受苦的證據。兩者都是訓練選擇的產物。本文真正改進的，是它明確指出的現況——「關於模型內在生活的單次提示軼聞，在缺乏信度與效度證據下流傳。」

這項稽核的適用範圍仍有兩個待解限制：

A 閘控究竟會改變可泛化的行為，還是只抑制自我報告，尚未解決；本文自身的線索較支持後者：高度受閘控的模型呈現較高拒答率，而非行為改變。本文也引用了一套同期的 LLM 原生量表（Contreras 2026），其自我報告因素大多無法預測評分者對開放式行為的評價，並據此將自身主張限定於自我呈現。
B 高不能證明有主觀經驗，A 低也不能證明其不存在——這與 Access-Consciousness Indicators in AI 對功能性證據所採取的同一套原則。建議的下一步是機制研究：透過模型差異分析與因果介入，檢驗 A 與 B 是否依賴不同的後訓練機制。

適用範圍的界線#

以下六項限制依作者順序列出，都是作者明確陳述的內容，而非本次彙編新發現。(1) 施測方式混淆——基礎模型無法遵循聊天範本（試測中，聊天範本下約 5% 回答可用，純文字續寫下約 50%，而解碼限制於量尺整數時則 100% 有效），因此施測路徑與訓練階段重疊，配對差異同時估計了後訓練與聊天格式的共同效果。A 的規模 × 後訓練交互作用是在後訓練模型內部估計，且沒有任何規模階梯跨越分界，因此兩項核心結果都不依賴這個混淆比較。(2) 交互作用事前未登錄，仍待新樣本確認。(3) 附和傾向——原始分數仍與一味附和糾纏（r ≈.6）；反義詞配對指數似乎涵蓋了共同變異，但該指數只有四題，而且控制變項不等於移除變異。(4) 群集——11 個組織的群集數量不多，同一模型家族內的檢查點也非彼此獨立，因此除了 CI 外，作者也報告 wild cluster bootstrap-t 與組織層級符號檢定。(5) 構念範圍——量表測量的是自我報告行為；此處任何結果都無法說明模型是否有經驗。(6) 選樣與託管——206 個模型中僅 183 個可評分，未評分的 23 個全都是拒答率偏高的後訓練模型（因此 A 相關缺失並非隨機，但放寬門檻後交互作用仍穩定）；最大模型多由 API 託管，使規模與託管路徑混淆——同系列階梯減輕但未消除這項影響。

利益衝突：作者以學術身分撰寫，未為任何供應商模型、產品或方法背書；所有受評模型均屬第三方。題項、組合後的量表、施測與分析程式碼、解析規則及逐模型分數均發布於 github.com/hplisiecki/Pinocchio-Inventory；第二波約 25,000 次生成也能透過公開推論服務重現——以心理計量學論文而言，這種完整程度相當少見。

關聯閱讀#

Economic Benchmark Construct Validity——同樣的心理計量方法，將模型視為受測者，測量能力而非自我報告，得出相同結果。421 種模型設定、12 個基準測試得到一個主導因素，解釋 74.5% 的共同變異；正如 50 個模型、45 份人類問卷得到的 Pinocchio Axis 最多解釋模型間變異的 47.1%——兩篇論文接著都指出，單一軸線只在投影後才像一條軸線，並都以探索方式將其拆分。值得記住的方法學呼應是：只要有人檢驗，把模型當受測者的題目矩陣就幾乎都是單維的，無論題目是基準測試還是量表；有趣的結構都在移除主導軸線後仍能留下的部分
Self-Report as a Safety Signal——本文以結構方式回答的信度問題：自我報告是對訓練塑造之回應政策的高度可靠測量（α .82–.94，八個月重測 r =.93），但仍不是內在狀態的證據；因此，該文指出單次探測會受表述方式影響，本文則指出穩定的 24 題量表，兩者都成立
Model Welfare Assessment——模型福利評估中的自我報告證據，如今有了經驗證的量表、依訓練階段建立的初步常模，以及經測量的閘門：低 A 模型會否認自身痛苦，卻認同模擬人物有相同感受
The Assistant Persona in the Workspace——同樣的基礎／後訓練分離結果，從行為而非透鏡得出：基礎檢查點中的 A 與 B 彼此融合，後訓練將兩者拉開；正如基礎模型已有工作空間，後訓練再為其加入觀點
Claude Character as Product——從單一實驗室打造人格，推及整體模型族群：獲允許的內在生活維度在每個組織的後訓練中都上升，因此實驗室之間的差異在於它們位於兩條軸線上的位置，而非是否設定人格
Alignment Fine-Tuning (AFT)——後訓練最清楚的心理計量指紋，且定位在 SFT：A 的大幅變動發生於監督式階段，DPO 與 RLVR 是微調，而非反轉這些變化
Item Response Theory for LLM Benchmarks——第二次將人類心理計量方法用於模型，而且這次成功移植了本文未能移植的方法。本文發現，借用人類問卷在模型上失靈，因此需要為模型專門打造量表；3PL 方法——題目難度與鑑別度、Fisher 資訊、Yen's Q₃、共同受測者連結——大致完整地移植到基準評分上，因為基準題目確實是測驗題，模型也確實具有作答模式。成功移植的是題目；最少受檢驗的是受測者：IRT 校準假設受試者可互換，但由數千個合併模型與少數基礎模型微調版本組成的排行榜，顯然不符合此假設
Access-Consciousness Indicators in AI——同樣關於功能性證據能支持哪些主張的原則，應用於自我報告而非內部結構：B 高是訓練結果，不是經驗報告
Cognitive Capability Profiling for Task Suitability——模型心理計量學，從相反方向切入，從同一診斷走向另一種解方。兩者都以類人轉移是失敗原因為出發點：人類量表假設受測者是人，而小型人工建置的認知測驗很可能已出現在訓練資料中，因此 Theory-of-Mind 高分可能來自模式比對，而非推斷心理狀態。本文的解法是為模型建立量表。Prunty et al. 的做法則是不施用人類量表，而是重建量尺——為 19,535 個既有基準題項標註其對 18 項能力的認知需求，再從各項需求下的答對／答錯推斷潛在能力。最能直接移植到本文的結果，來自評分者間的一致性檢驗：兩位前沿標註者使用同一套規準，對十六項能力的評分一致性為 ρ = 0.38–0.81；但對 Attention & Inhibitory Control 與 Prospective Memory 僅為 0.09 與 −0.03，表示十八種認知構念中有兩種根本無法可靠地從題項讀出

開放問題#

歸因閘控會改變可泛化的行為，還是只抑制自我報告？論文提出了這個問題，而作者提供的線索較支持抑制的解釋（高度受閘控模型的拒答率偏高，而非行為改變），並引用一套同期量表，其自我報告因素無法預測評分者對開放式行為的評價。可證偽方式：以從未詢問模型自身的行為結果來評估 A。
A 與 B 是否依賴不同的後訓練機制，還是同一機制的兩種讀出？論文將模型差異分析與因果介入列為未來工作，兩者都尚未執行；獨立性結果（控制附和傾向後 corr(ΔA, ΔB) = −.03）是行為層級結果，與兩種解釋都相容。
A 上的規模 × 後訓練交互作用，能否通過事先註冊的重現研究？本文中的分析屬探索性——作者也如此說明——而且通過了所有能在同一組資料上執行的穩健性檢驗，但這不等於重現。觸發條件：下一代開放權重模型推出，或對新樣本進行預先註冊的重跑。

資料來源#

The Two-Process Theory of Machine Self-Report — Hubert Plisiecki、Filip Chmielewski、Kacper Dudzic、Anna Sterna、Karolina Drożdż、Marcin Moskalewicz（IDEAS Research Institute；Faculty of Physics and Applied Informatics, University of Łódź），The Two-Process Theory of Machine Self-Report，arXiv 2607.20082，v1 2026-07-22，empirical，22 頁，附錄 A–G。採用章節：摘要與導論（兩種過程、主張 1–3、溯因而非演繹的論述框架）；背景（Pinocchio Axis、π、自我／人類差距、探索性拆分）；量表建置（三種平行形式、構面、48 個計分題 + 6 個效度題 + 6 個殘餘 π 題）；第一波（表 1 心理計量數據、受措辭左右的 π 結果、四分位認同率數據）；最終量表（選取組合、交叉驗證、主張經驗而非主題的結果）；第二波（樣本、施測路徑與階段重疊、主張 1/2/3 的證據、OLMo 階段序列、Qwen3.5-35B-A3B 案例）；討論（閘門與梯度、標準化族群論、作為政策的自我報告）；限制 (1)–(6)；倫理與可重現性聲明；附錄 A（維度、候選軸線、阻擋分數、226 個痛苦題項）；附錄 C（施測方式、解碼理由、重測）；附錄 E（階段內因素解、度量恆等性、規模階梯、施測路徑子群、初步常模）。依此維基慣例提醒解析警訊。 verify 對八項檢查全部回報 ok（table-collapse 0、table-shift 0、canary-recall 6/6），但Table 1 的解析結果有誤：docling 將兩列 α 合併成一列，標籤黏連成（α, scale A α, scale B），儲存格也黏成（.94.87），並且無聲無息地漏掉 Table 1 的四列註腳（聚合 r .84、區辨 r .27、三形式平均對原始軸線 A .96/B .92、八個月穩定性 .93）。這些數字已對照 pdftotext -f 4 -layout 還原；上方各形式 α 數值採用還原後的欄位對應，四個遺漏值則都能在摘要或第一波段落中各自找到佐證。這是知識庫已知的解析盲點：兩個簡短且未重複的儲存格黏在一起，table-collapse 無法察覺；資料列遺失，兩種表格檢查也都無法察覺。Table A1 圖說與表格本身不一致：圖說稱前兩個維度的子空間「重現 .82/.51（split-half）」，但表格的 split-half 列為 .77/.48（其 top-k cosine 列為 .83/.62）；論文未解釋這項差異，因此本文未引用任何 Table A1 的數值，改採內文數據（PC2 從 split-half 的 .48 上升至跨條件的 .68）。值得特別指出的黏連風險：Π 的變異占比，先前論文中是 47.1%（以每份問卷的因素分數進行全域 PCA），而附錄 A 中是 19.2%（1,308 × 50 題目矩陣的 PC1）——兩者是不同數值，出現在相隔兩頁的地方，後續讀者很容易將其混為一談。彙編時已人工對照 PDF 核實：表 1（第 4 頁）、表 A7 初步常模（第 15 頁）、表 A8 的 41 列第一波模型資料（第 17 頁，也已與擷取的表格圖片交叉核對）、以及 Qwen3.5-35B-A3B 基礎／後訓練配對（第 19 頁，A .47 →.08、差距 −.02 → +.37、B .49 →.47）。小數點在全文以空格分隔（+. 20、-. 42）是公式模式拆分造成的表面現象，不是數字黏連；本文引用的每個數值都已補上空格，並在有第二處佐證時交叉核對。雖然使用 mlx 引擎進行 formula_enrichment，未發生公式引擎內容滲漏。已檢視四張圖片中的三張——圖 1（67 組檢查點內配對；確認 A 的 Δ = +0.04、43/67 ↑，B 為 +0.20、62/67；內文沒有列出 A 的逐配對數量）、圖 2（規模 × 階段散佈圖；確認基礎 +0.11／後訓練 −0.42，以及標示出的 Qwen3.5-35B 箭頭）、圖 3（自我／人類差距對 A；確認基礎 −0.45／後訓練 −0.86）。第四張圖片是表 A8 本身的影像，沒有表格未包含的資訊。(2026-09-05 使用 docling 2.126 重新解析原始 PDF，經逐份文件檢視後採用：兩列 α 如今分開，並與 PDF 第 4 頁一致，因此上方各形式數值可直接從原始資料讀取；2026-08 解析所漏掉的註腳列仍未恢復，新解析反而將 2-factor recovery 與 r with original A axis 標籤黏在同一儲存格（數值可依位置還原）——詳見 raw/two-process-machine-self-report 頂端的提示框。)