EveMissLab
AI 研究實驗室
AI 系統的理論、實驗、模型、資料與證據。
EveMissLab 把 AI 當作計算的、架構的、表徵的、且自主的研究對象 —— 從理論一路做到可重現的證據。
- 進行中的研究
- 7
- 進行中的實驗
- 1
- 資料集
- 5
- 基準
- 4
- 研究計畫
- 3
快照 AI-SNAPSHOT-v0.1-58e716495670 · 179 個研究物件 · 624 條關係 · 產生於 2026-10-13 · index.json
目前的研究
全部 (10) →- 研究RES-2026-0201為什麼通過檢查，不等於守住公開邊界論文 00–05。五狀態資訊鏈（已觀察 → 已授權 → 已持久化 → 已公開 → 可外部取得）、綠燈謬誤（V₁ ∧ … ∧ Vₙ = PASS ⇏ G）、具九個脈絡類別的 agent 脈絡出口面、超越字面 secret 比對的可恢復性 R0–R4，以及兩個關於規模的假說：共享 agent 脈絡在組織內的傳播，與 AI 建造—攻擊不對稱。
- 研究RES-2026-0202不看，也能量——對公開倉庫的研究者盲測量測論文 06、07、09，RBPM runtime 與第二階段。封閉程序是倉庫內容第一個、也是唯一的觀察者；離開的只有封閉詞彙的特徵；身分即丟棄；揭露任何分組之前先鎖定標籤；UNKNOWN 永遠不是 PASS；永遠不驗證憑證。第二階段在帶有 agent 指示檔的倉庫上跑了四輪新樣本，在個人的 AI 輔助倉庫上跑了兩輪。
- 研究RES-2026-0203公開邊界由誰負責論文 08。觀察、執行、持久化、發布是四條不能合併的邊界；平台在前三者已建立實在的控制；第四條的責任分層落在供應商、平台、組織、倉庫與使用者身上。
- 研究RES-2026-0002PACC 猜想——非概率 primitive 會不會收斂到概率表象？把 canonical state 與更新規則都不需要概率分布、Bayesian posterior 或抽樣的系統，放進與精確 Bayesian 參考相同的證據整合任務中，量測低複雜度、只在訓練集擬合的映射能否把它們的狀態送到 Bayesian 狀態、映射是否與更新交換並在干預下存活、以及獨立設計的家族是否收斂——四層階梯（PACC-B／R／D／A）與預先登記的否證條件。
- 研究RES-2026-0004PACC 式 runtime 用在語言模型上：推理、意圖與創造廣度把候選選擇包進 canonical 硬約束／衍生約束的 commit 空間，會改變生成器的產出嗎？合成的 A/B/C 見證（純生成器／硬驗證器／PACC runtime）顯示衍生一致性與滿足約束的新穎度上升、軟偏好契合略降，以及一個可由事後「elastic」探索策略恢復的創造廣度塌縮。真實語言模型版本的 benchmark 已有驗證過、fail-closed 的 harness，但尚未執行。
- 研究RES-2026-0001自適應認識系統的盲推導只從第一原理出發——時間異質的世界知識、canonical 符號狀態、自適應表示空間、能力記憶、載體中立計算——十一篇系列推導出一個候選架構，再面對推導本身冒出的不舒服問題：它為什麼越來越像現代複合 AI？差異有沒有任何一部分能活到 runtime 裡？
- 理論THY-2026-0201公開邊界閉包——統合框架能生成、能測試、能掃描、能審查、能 push 是五個命題，沒有一個等於交付結果守住它的邊界。資訊經過 已觀察 → 已授權 → 已持久化 → 已公開 → 可外部取得，每個箭頭都是獨立的權限。閉包是真正覆蓋到預期後置條件的證據，而不是更多檢查。
- 理論THY-2026-0202綠燈謬誤除非全域後置條件 G 被映射進它們的覆蓋範圍，否則 V₁(x) ∧ … ∧ Vₙ(x) = PASS 推不出 G(x) = PASS。讀同一來源或共用生成 oracle 的檢查彼此不獨立；範圍偽 PASS 是正確的 detector 指向錯誤的表面；NOT MEASURED 是一個結果，永遠不是通過。
- 理論THY-2026-0203Agent 脈絡即出口面agent 需要的脈絡——專案根目錄、執行環境、瀏覽器 profile、內部端點、憑證載入慣例——被寫進指示檔、設定、fixture 與生成文件，一旦公開，就越過了原本不是為之而寫的那條線。九個脈絡類別（C1 工作站路徑 … C9 生成的診斷）讓敏感度與風險分屬兩條軸。第二階段在個人、組織與企業中都觀察到它。
- 理論THY-2026-0204從 secret scanning 到語義隱私模式偵測回答的是「有沒有已知形式的 secret」；交付物仍可能帶著身分、路徑、拓撲，或被拆散在常數與檔案之間的值，而沒有任何字面命中。可恢復性分為 R0 不可恢復 … R4 字面存在。語義 AI detector 不是神諭；模式證據、語義證據、政策脈絡與獨立反證要合併使用，UNKNOWN 保留為答案。
- 理論THY-2026-0205組織尺度的 agent 脈絡傳播（假說）共享的規則、模板、skill 與 scanner 是供應鏈的根：一個脈絡錯誤會被每一個複製它的倉庫繼承；被廣泛共用的 scanner，它的 PASS 看起來比實際更有權威；同一份政策的各個副本以不同速度老化。
- 理論THY-2026-0206AI 建造—攻擊不對稱（假說）AI 降低「做出能用的東西」的成本，快過降低「做出安全的東西」的成本，也可能降低找到弱目標的成本。假說很窄，不主張現在的 AI 是萬能的攻擊者。
- 主張CLM-2026-0201H1——AI 輔助的倉庫比配對的非 AI 倉庫外洩更多AI 輔助的倉庫比配對的非 AI 倉庫外洩更多。
- 主張CLM-2026-0202H2——組織共享的脈絡，會把同一種外洩模式放大到許多倉庫組織共享的脈絡，會把同一種外洩模式放大到許多倉庫。
- 主張CLM-2026-0203H3——共用證據根的多個 AI 審查者，高估了驗證的獨立性共用證據根的多個 AI 審查者，高估了驗證的獨立性。
- 主張CLM-2026-0204H4——傳統 secret scanning 的統計，低估了語義層的隱私外洩傳統 secret scanning 的統計，低估了語義層的隱私外洩。
- 主張CLM-2026-0205H5——AI 輔助建造讓低成熟度目標增加的速度，快過防禦自動化讓它減少的速度AI 輔助建造讓低成熟度目標增加的速度，快過防禦自動化讓它減少的速度。
- 主張CLM-2026-0206HT——正在轉向 AI 的組織，比 AI 原生組織風險更高正在轉向 AI 的組織，比 AI 原生組織風險更高。
觀察
全部 (8) →- 觀察OBS-2026-0206O6——個人會公開自己的 AI 工具視為本機專用的檔案，例如 .claude/settings.local.json個人會公開自己的 AI 工具視為本機專用的檔案，例如 .claude/settings.local.json。
- 觀察OBS-2026-0207O7——被公開的代理設定檔可能帶有具體的家目錄路徑被公開的代理設定檔可能帶有具體的家目錄路徑。
- 觀察OBS-2026-0208O8——與 agent 相關的公開邊界訊號，同樣出現在個人、組織與企業與 agent 相關的公開邊界訊號，同樣出現在個人、組織與企業。
- 觀察OBS-2026-0201O1——AI 協作檔本身可能成為公開出口AI 協作檔本身可能成為公開出口。
- 觀察OBS-2026-0202O2——檢查器回報 PASS，而可被恢復的排除資訊就存在檢查器本身裡檢查器回報 PASS，而可被恢復的排除資訊就存在檢查器本身裡。
- 觀察OBS-2026-0203O3——公開的 AI 協作檔可能含有具體的工作站、執行環境、session 與內部網路脈絡公開的 AI 協作檔可能含有具體的工作站、執行環境、session 與內部網路脈絡。
進行中的實驗
全部 (1) →最新結果
全部 (24) →- 結果RST-2026-0201企業樣本：兩個高警示都在 agent 指示檔（2/40），README（0/59）與治理檔（0/51）都沒有在凍結的 60 個企業倉庫樣本中，僅有的高警示是 AI 原生公司 agent 指示檔上的兩格 L3；同一批倉庫在 README 與治理檔上都是 L0 或 L1。
- 結果RST-2026-0202F1–F4 合併：每種表面都有高警示——README 3.4%、agent 指示檔 3.0%、治理檔 0.9%主規則，236 個倉庫：README 8/233、agent 指示檔 7/236、治理檔 2/235。各輪從 1 格到 9 格。企業樣本「集中在 agent 指示檔」的現象沒有重現；具體路徑類（L3）仍偏向指示檔。
- 結果RST-2026-0203個人倉庫：2.75% 公開了 .claude/settings.local.json，10.5% 公開了代理設定檔400 個個人 AI 輔助倉庫中，11 個公開了 .claude/settings.local.json（Claude Code 自己會排除在 git 之外的檔案），42 個公開了 AI 代理設定檔。代理狀態檔的 6 格高警示中有 5 格，是寫在 MCP、編輯器或代理設定檔裡的家目錄路徑。這個框架中沒有出現 AI 對話紀錄。
- 結果RST-2026-0204個人時期規則找到的高警示倉庫約為企業時期規則的兩倍（400 個中 34 對 17）企業時期的規則看不到聯絡用語之外的個人電子郵件、操作行上的私有網路位址，以及設定檔裡的路徑；個人時期的規則把這些都加進來，每一項都預先登記。
- 結果RST-2026-0205登記的預測不成立：同時用三種以上 AI 工具的人並沒有洩漏更多P1 看起來像是「偵測到三種以上 AI 工具的倉庫更常公開本機檔與高警示內容」。這在打開 P2 之前就寫下；P2 方向相反。
- 結果RST-2026-0206凍結的儀器仍能執行，它的證據仍與已發布的內容一致212 項測試通過（1 項跳過）；六個稽核器全部通過；2/40、0/59、0/51 由釋出格子重算回來。
資料與基準
資料 · 5
- 資料集DAT-2026-0201第一階段釋出特徵——企業樣本、README 量測與表面矩陣凍結 60 倉庫樣本的純特徵證據：180 個表面矩陣格（中性識別碼）、橋接彙總與 README 量測。沒有身分、路徑或原文。
- 資料集DAT-2026-0202第二階段釋出特徵——F1–F4236 個倉庫的鎖定前格子（708 格）、鎖定檔、抽樣帳與彙總。擁有者類型只以彙總公開。
- 資料集DAT-2026-0203第二階段釋出特徵——個人 P1–P2400 個個人倉庫的鎖定前格子與倉庫列（866 格）、鎖定檔、帳與彙總。AI 工具輪廓與星數級距只以彙總公開。
- 資料集DAT-2026-0001PACC 合成證據世界決定性生成的微型環境：4 個隱藏假設 × 6 個二元原型與逐特徵可靠度；學習可靠度用的來源品質世界（主要規模 20 個世界／280 回合／28 次觀察）；q ∈ {0.06 … 0.42} 帶潛在共同反轉的相關來源叢集世界；以及 regime 切換的動態世界。主要 seed 20260908（v0.1）與 20260909（v0.3 起）；次要 seed 標為事後。
基準 · 4
- 基準BEN-2026-0001PACC 微型實驗室協定 v0.1（凍結門檻）從 v0.1 到 v0.13 原封重用的預登記判決規則：E0 純度、held-out 表徵距離 D_R = E[JS(Φ(S_N), S_P)] ≤ 0.05、更新交換 D_U ≤ 0.05、離流形干預 D_I ≤ 0.08、行動一致度 ≥ 0.85、真實映射必須勝過的 shuffled-target 負控制、設計獨立規則（一致度 ≥ 0.999 且 R² ≥ 0.995 即視為同一家族）、判決等級 0–3，以及至少三個獨立收斂家族的強 PACC-A 門檻。
- 基準BEN-2026-0003PACC-LLM 混合 A/B/C benchmark三種條件跑在完全相同的候選池上：A 純生成器、B 硬驗證器、C PACC runtime（另有事後的 D「elastic」）。v0.1：7 類 × 28 題 × 8 池 × 112 候選（1,568 個共享池實例）。指標：明示硬約束遵守、衍生一致性、軟意圖滿足、長程保持、原始與有效新穎度、pattern entropy。v0.2：16 個手寫自然語言任務、相同計費預算、只有對條件盲的評審看得到 gold rubric。
- 基準BEN-2026-0002AER-0 架構比較套件（R1–R6）逐輪成長的決定性可執行比較：R1——兩個事實（一穩定、一在第 8 與 16 小時改變）、17 個模擬小時內 8 次查詢，基線 B1 無狀態／B2 固定 6 小時 TTL／B3 記憶 + 工具／B4 事件驅動複合 agent；R3——分散政策 vs 集中式應用 gate vs AER-ECT，比 provenance、stale write、audit 與依賴綁定；R4——N ∈ {1, 4, 16, 64} 個 caller × 6 條規則的政策拓撲縮放；R5——五個威脅層上的十種繞過情境；R6——連貫的整庫偽造、anchor 竄改、有／無可信 head 的前綴截斷、fail-closed anchor、孤兒 anchor、adapter 一致性。
- 基準BEN-2026-0101XA-02——A0→A5 鷹架響應的 30 題 pilot 任務包30 題——數學 10、程式 10、約束 10——含公開任務檔（題目、輸出契約、預先登記的品質投影）、絕不可進入模型上下文的私有參考檔、確定性評分器與 30/30 自測。數學與約束題回一個 JSON 物件；程式題回 Python 原始碼、以隱藏測試評分，且除非在外部沙箱明確啟用，否則拒絕執行程式。套件自己的說法：不是通用智能 benchmark，而是 Experiment A 下量測鷹架響應的受控儀器。
研究計畫
全部 (3) →- 計畫PRG-2026-0201AI Agent 公開邊界與安全閉包（APBSC）AI coding agent 會把什麼從私人工作環境帶進公開倉庫？又要怎樣量測它，而不讓任何人去讀別人的外洩？第一階段（十篇論文，2026-09-21）建立詞彙——五狀態資訊鏈、綠燈謬誤、agent 脈絡即出口面、可恢復性、警示等級——以及 RBPM：一個研究者盲測的演算法，倉庫內容唯一的觀察者是封閉的機器程序。第二階段（2026-10）在企業、組織與個人的新抽公開樣本上執行它，每個族群都出現了與 agent 相關的公開邊界訊號。研究依決定停在這裡：再往下就等於去讀人們不打算公開的東西。演算法、協定、釋出特徵與報告已開源。
- 計畫PRG-2026-0001自適應世界狀態系統的第一原理框架從第一原理推導 AI runtime 的長期研究線：世界知識以不同速率變化、自然語言是 rendering 而非 canonical state、能力必須被記憶與重用、算法與計算載體分離；然後把推導結果逼進可執行的現實——AER-0 參考 runtime 與六輪架構比較，以及檢驗非概率 primitive 是否收斂到概率表象的 PACC 微型實驗室。
- 計畫PRG-2026-0101智能的物理計量（IPM）這個研究計畫問的不是「AI 有幾分聰明」，而是一個答案讓物理系統付出了什麼：花了幾次使用者回合、幾條生成軌跡、幾層隱藏 LOOP，做了多少有效語意工作，占用多少能量與計算時空，依賴多少外部鷹架，最後換回多少可驗證品質。十篇理論論文（2026-09-02）定義了測量物件——任務、品質、語意工作、物理計算、鷹架能力、測量詮釋資料——與五個可證偽命題；v0.2 實驗協定（Experiment A：single-pass vs scaffolded）落實為 XA-02…XA-06L 儀器套件，並在本地 9B 模型上執行過一次。
模型與架構
全部 (6) →- 模型MOD-2026-0006Qwythos-9B-v2（Q4_K_M，本地，Ollama）qwen35 系的開放權重 9.0B 模型，GGUF Q4_K_M，由 Ollama 0.33.3 在 RTX 3070 上本地服務。在 PACC-Hybrid v0.2 協定的真實本地執行中同時擔任生成器、選擇器與評審，第一、二次執行關閉思考，第三次執行開啟（effort medium，每次呼叫多 3,500 個輸出 token）。
- 模型MOD-2026-0001N0——帶號支持每個假設的加性帶號證據支持；在均勻可靠度下它與重縮放的 log-evidence 累積關係密切——這正是異質與對抗壓力測試存在的原因。
- 模型MOD-2026-0002N1——序數錦標賽假設之間的成對序數競爭；在所有測過的軌跡上，行為與線性關係都與 N0 相同。
- 模型MOD-2026-0003N2——帶號圖假設之間的帶號關係圖與圖動力學；吸引域邊界家族——在對抗幾何下未達表徵門檻（v0.2）、高相關下較不穩定（v0.4）、轉移吸引域最窄且對 seed 敏感（v0.8）。
- 模型MOD-2026-0004N3——約束競爭v0.2 加入的非線性約束場系統，作為第三個結構相異的家族；跨幾何雙向收斂（v0.7），與 N0/N1 共享較寬的吸引域（v0.8）。
- 模型MOD-2026-0005Bayesian 參考（精確後驗／Beta-Bernoulli／聯合共同因／HMM）每次比較的概率端：帶數值可靠度的精確後驗、Beta-Bernoulli 來源品質學習、相關叢集的聯合概似共同因模型（及其天真獨立負控制），以及 regime 切換用的 Bayesian HMM。
最新論文
全部 (25) →- 論文PAP-2026-0211AI Agent 與公開邊界——APBSC 對外整合版 v1.0計畫的對外文本，取代十篇內部草稿：第一階段的詞彙與論證、研究者盲測演算法、它在第二階段於企業、組織與個人中看到的現象、成立的與不成立的、公開處理的缺陷、倫理聲明，以及研究為什麼停在這裡。英文與繁體中文。
- 論文PAP-2026-0009概率不等於貝葉斯——從隨機系統、概率模型到 Bayesian 更新的認識論邊界從 stochastic 到 generalized Bayesian 的分層詞彙，以及檢查「事後被說成 Bayesian」的 Bayesian authenticity test。
- 論文PAP-2026-0005記憶、算法庫與可重用問題求解路徑——從世界模型到能力模型的累積式智能架構算法、工具、契約、成本與成敗歷史成為能力節點；Reuse ≻ Adapt ≻ Create。
- 論文PAP-2026-0006載體中立的計算容器理論——從算法選擇到異質計算載體聯合調度任何具可表示輸入、有效轉換與可讀輸出的執行環境都是計算容器；算法與容器聯合調度。
- 論文PAP-2026-0007盲推導 AI——不同第一原理是否收斂到同一工程形態？把前六篇視為一次盲推導實驗，提出比較協定與五種相似性層級，用來對照現代 AI。
- 論文PAP-2026-0008智能架構吸引子——差異究竟存在於哪一層？六個架構差異層級、架構等價類與吸引域；被執行的架構才是架構。
研究系統
全部 (11) →- 系統SYS-2026-0201RBPM v0.8.3——凍結的研究者盲測量測儀器在封閉程序中執行 X → N → D → S → F → A → O：路徑、網路、類 secret 與語義偵測器；特徵建構；脈絡必要性估計；Company Warning Gate（L0–L4）；治理訊號；外洩防線；獨立稽核器。2026-09-22 凍結，第二階段每一輪都原封不動沿用（原始碼雜湊記在每一輪的 LOCK.json）。
- 系統SYS-2026-0202RBPM v0.8.4 新樣本執行器——表面平衡抽樣（F1）依大小分帶從程式碼搜尋抽樣、封閉篩選、每個倉庫三種表面、獨立確認、中性識別碼、鎖定，以及完全不匯入其程式碼的稽核器。
- 系統SYS-2026-0203RBPM v0.8.5 執行器——F2–F4 與修正後的次要規則一個封閉程序跑三輪，記憶體內去重；沿用 F1 規則作主要結果以便合併，並以逐類別確認與七行局部必要性視窗作為次要規則。
- 系統SYS-2026-0204RBPM v0.9 執行器——帶 AI 協作標記的個人倉庫（P1–P2）只收個人擁有者、近兩年建立，五種 AI 指令檔框架等額抽樣，代理狀態表面（工具本機檔、代理設定、對話紀錄），封存的 AI 協作輪廓，電子郵件類別，結構化檔案規則與 JSON 祕密形狀規則。
- 系統SYS-2026-0002PACC-Lab——收斂猜想的微型實驗室可完全觀察的證據整合環境、四個 primitive 層非概率家族（N0–N3）、精確 Bayesian 參考、只在訓練集擬合的低複雜度映射器、shuffled／constant／broken-composition 控制組、設計冗餘診斷，以及從 v0.1 到 v0.13 原封不動的預登記門檻。每個版本都是密封的 FINAL 套件，含協定、結果與下一步實驗的預登記。
- 系統SYS-2026-0003PACC-LLM 混合實驗室A/B/C harness——純生成器、硬驗證器、PACC runtime——在共享候選池與相同計費預算上運行。v0.1 是合成的架構見證（零次 LLM 呼叫）；v0.2 加入手寫自然語言任務、對條件盲的評審、獨立於評審的字面機器檢查、缺 API key 時 fail-closed，以及 live run 後可精確重播的凍結快取。
研究圖譜
全部 (624) →- 實驗EXP-2026-0205200 + 200 配對驗證性研究（論文 07）——已設計，依決定不執行一份可預先登錄的設計，有配對的非 AI 對照組、以不重複倉庫為單位抽樣、保留 UNKNOWN 狀態，用來回答盛行率與差異問題。未執行：計畫停在間接觀察，不去讀人們不打算公開的東西。
- 論文PAP-2026-0201論文 00——AI Agent 公開邊界與安全閉包：統合框架第一階段論文 00，v0.1，2026-09-21。內部研究草稿；對外由整合版（PAP-2026-0211）取代。經核對的摘要在計畫網站上。
- 論文PAP-2026-0202論文 01——綠燈謬誤：代理驗證成功與真實安全後置條件的落差第一階段論文 01，v0.1，2026-09-21。內部研究草稿；對外由整合版（PAP-2026-0211）取代。經核對的摘要在計畫網站上。
- 論文PAP-2026-0203論文 02——AI 協作物即出口面：Agent Context 的資訊外逸問題第一階段論文 02，v0.1，2026-09-21。內部研究草稿；對外由整合版（PAP-2026-0211）取代。經核對的摘要在計畫網站上。
- 論文PAP-2026-0204論文 03——從 Secret Scanning 到 Semantic Privacy：模式檢測無法覆蓋的公開邊界第一階段論文 03，v0.1，2026-09-21。內部研究草稿；對外由整合版（PAP-2026-0211）取代。經核對的摘要在計畫網站上。
- 論文PAP-2026-0205論文 04——組織尺度的 Agent Context 傳播：共享規則、模板與供應鏈風險猜想第一階段論文 04，v0.1，2026-09-21。內部研究草稿；對外由整合版（PAP-2026-0211）取代。經核對的摘要在計畫網站上。
狀態與證據詞彙
- 研究狀態
- IDEA
- 目前只有問題或概念
- PRELIMINARY
- 已有初步的形式化或觀察
- ACTIVE
- 正在持續研究
- EXPERIMENTAL
- 正在進行實驗驗證
- VALIDATING
- 主要命題已形成，正在做證據確認
- REPLICATING
- 正在做重現或跨模型驗證
- STABLE
- 目前的研究結論相對穩定
- PAUSED
- 暫停
- ARCHIVED
- 停止主動推進
- SUPERSEDED
- 已被新版本或新理論取代
- 證據等級
- E0
- 僅有概念
- E1
- 內部觀察
- E2
- 受控實驗
- E3
- 重複實驗
- E4
- 跨模型／跨環境重現
- E5
- 外部重現／獨立證據
- 資料基礎
- THEORY
- 純理論推理，沒有量測。
- SYNTHETIC
- 合成數據與理論推理。現在很多人把合成數據當成真的；這個實驗室刻意反過來說——在真正的混合模型出現之前，推論就只是推論，理論上可能不等於實際上可能。
- DETERMINISTIC RUNTIME
- 在真實 runtime 裡執行的決定性情境；程式碼與做法都列出，數字是什麼就是什麼。
- REAL MODEL
- 真的跑了語言模型；模型、版本與設定都記在頁面上。
- NOT RUN
- 只設計並驗證了 harness，從未用真實模型執行。
- BLIND PUBLIC DATA
- 真實的公開檔案，由演算法在封閉程序中量測；沒有任何人或 AI 模型讀過，只有編碼特徵離開程序。數字可能失真。
研究狀態說的是一條線走到哪裡；證據等級說的是已經證明了多少。兩者刻意分開記錄：ACTIVE 或 STABLE 不是真值宣稱，而一條 ARCHIVED 的線仍然可以帶著 E4 的證據。
資料基礎說的是一個數字是在什麼上面量出來的。合成結果在每張卡片與每一頁都標 SYNTHETIC：那是關於架構在合成條件下的證據，不是關於世界的證據。