---
title: "語義缺口的測度：歧義寬度、完備距離與閉合代價"
english_title: "Measuring Semantic Gaps: Ambiguity Width, Distance to Completeness, and Closure Cost"
series: "SRBC：符號表徵邊界與語義完備性理論"
series_english: "SRBC: Symbolic Representation Bounds and Semantic Completion"
series_number: "SRBC-05/07"
author: "Neo.K with Aletheia (GPT-5.6 Sol)"
institution: "EveMissLab / 一言諾科技有限公司"
version: "v0.1"
date: "2026-09-23"
language: "zh-TW"
document_type: "理論論文 / 語義缺口測度篇 / SREG-SRBC 橋接論文"
status: "初版完成"
---

# 語義缺口的測度

## 歧義寬度、完備距離與閉合代價

**English Title:** Measuring Semantic Gaps: Ambiguity Width, Distance to Completeness, and Closure Cost  
**系列：**《SRBC：符號表徵邊界與語義完備性理論》SRBC-05/07  
**作者：** Neo.K with Aletheia (GPT-5.6 Sol)  
**機構：** EveMissLab / 一言諾科技有限公司  
**版本：** v0.1  
**日期：** 2026-09-23

---

## Canonical Source Note

本文件以 UTF-8 Markdown 保存正式原稿。數學 source 僅使用 ` $...$ ` 與 `$$...$$` 作為 canonical delimiter。本文中的「測度」採廣義研究術語：除非明確聲明滿足測度論公理，否則不把所有 GAP 指標稱為 measure-theoretic measure。本文區分 cardinality、metric diameter、entropy、cost、distance、risk 與 composite index。若未來進入 proof assistant、typed IR、NCM、EveGlyph、SREG runtime、語義解析器、模型檢查器、概率程式系統或實驗平台，應保存原始 source、completion space、query、metric、prior、cost function、normalization rule、provenance、版本與驗證證書。

---

# 摘要

SRBC-01 至 SRBC-04 已建立四個基礎層：符號表徵具有動態邊界；單一表述通常應對應一族合法語義完成，而非先驗唯一模型；語義多重性是否構成實質歧義，必須相對查詢 $Q$ 判定；形式推理中還必須審計從原表述到分析模型之間的語義升格與隱含結構注入。至此仍缺一個重要問題：即使已知某表述對某查詢存在語義 GAP，這個 GAP 到底有多大？

本文提出 SRBC 第一代 **語義缺口測度框架**。核心立場是：不存在理由先驗假設所有語義 GAP 都可以被壓縮成一個唯一標量。不同研究目的需要不同層級的指標。本文因此區分至少六種量：完成多重度、查詢答案寬度、模型幾何直徑、查詢熵、閉合代價、隱含注入負債。對表述 $u$ 、上下文 $C$ 、合法 completion space $\mathfrak I(u,C)$ 與查詢 $Q$，最基本的查詢答案像為：

$$
\mathcal A_Q(u,C)
=
\{
Q(M)
:
M\in\mathfrak I(u,C)\cap\operatorname{Dom}(Q)
\}.
$$

若答案域具有度量 $d_Q$，定義第一代 **查詢歧義寬度**：

$$
\Delta_Q(u,C)
=
\sup_{M_i,M_j\in\mathfrak I(u,C)}
d_Q
\left(
Q(M_i),
Q(M_j)
\right).
$$

若 completion space 或其 query quotient 配有概率權重 $\mu$，則定義 **查詢語義熵**：

$$
H_Q(u,C)
=
H_{\mu}
\left(
Q(M)
\right),
$$

以區分「存在少量極端分支」與「大量高權重分支實際競爭」兩種不同的不確定性。若允許增加語義約束 $\Delta\Gamma$，並賦予修補成本 $c(\Delta\Gamma)$，則定義 **最小閉合代價**：

$$
\kappa_Q(u,C)
=
\inf_{\Delta\Gamma}
\left\{
c(\Delta\Gamma)
:
\operatorname{QRC}_{\Gamma\cup\Delta\Gamma}(u,C;Q)
\right\}.
$$

本文進一步建立 **完備距離**、**語義閉合曲線**、**分支 covering number**、**query-sensitive injection debt**、**lift sensitivity**、**robust completeness margin**、**semantic condition number**、**minimal harmful lift set**、**repair efficiency** 與 **GAP profile vector**。本文並證明，在固定 query、固定答案度量與單純縮小 completion space 的條件下，查詢答案直徑具有單調不增性；因此增加合法約束不會放大既有答案像的直徑。相反地，若 reframe 改變 admissibility 或 query，本單調性不保證成立。

本文特別強調： $\Delta_Q=0$ 不等於自然語言已完全單義； $H_Q=0$ 也不等於世界模型唯一； $\kappa_Q$ 小也不代表 GAP 不重要。不同指標回答不同問題。SRBC 因此不尋找單一「歧義分數」，而建立一個多維 GAP profile。該 profile 將在 SRBC-06 中首次被實際用於 Monty Hall：量化標準 protocol 與其他合法 completion 的答案分離、找出最小閉合條件、估算哪些 hidden lift 對查詢最敏感，並把舊式「這句話有 GAP」提升為可重放的形式測量。

**關鍵詞：** SRBC、SREG、語義 GAP、歧義寬度、完備距離、閉合代價、語義熵、completion space、query-relative completeness、hidden injection、Monty Hall、語義測度

---

# 0. 研究定位：GAP 不是只有「有／沒有」

前四篇已經能回答：

$$
\operatorname{QRC}(u,C;Q)?
$$

也就是：

> 所有合法 completion 對查詢 $Q$ 是否給出同一答案？

若不是，便有：

$$
\operatorname{QRU}(u,C;Q).
$$

但下面兩個案例顯然不同。

案例 A：

$$
\mathcal A_Q
=
\{
0.500,
0.501
\}.
$$

案例 B：

$$
\mathcal A_Q
=
\{
0.01,
0.99
\}.
$$

兩者都有：

$$
|\mathcal A_Q|=2.
$$

但它們的實質差異完全不同。

同樣地：

案例 C 可能需要補一個極小 convention 就閉合；

案例 D 可能需要重寫整個 protocol 才閉合。

因此只用：

$$
|\mathfrak G_Q|>1
$$

不足以描述 GAP 的強度。

---

# 1. 舊伏筆：語言縫隙測度論

既有符號研究曾提出：

> 發展 Gap 的完整測度理論，類比 Hausdorff 測度。

這是一個重要方向，但需要修正。

不能直接把：

$$
\operatorname{Gap}
$$

宣稱成一個單一幾何物件。

因為至少要先決定：

1. completion space 的元素是什麼；
2. completion space 是否具有 metric；
3. query answer domain 是否具有 metric；
4. 是否有 probability prior；
5. repair cost 如何定義；
6. 不同語義維度能否比較；
7. query 是否固定。

因此本文採多層架構：

$$
\boxed{
\text{GAP}
=
\text{set structure}
+
\text{metric structure}
+
\text{probabilistic structure}
+
\text{repair structure}.
}
$$

---

# 2. 測度不是唯一概念

本文嚴格區分：

## 2.1 基數

$$
|\mathfrak G_Q|.
$$

回答：

> 有多少 query-distinguishable branch？

---

## 2.2 直徑

$$
\Delta_Q.
$$

回答：

> 最遠兩個答案差多大？

---

## 2.3 熵

$$
H_Q.
$$

回答：

> 在指定權重下，答案不確定性多大？

---

## 2.4 距離

$$
D_{\mathrm{comp}}.
$$

回答：

> 現在離 query completeness 還有多遠？

---

## 2.5 代價

$$
\kappa_Q.
$$

回答：

> 最少需要支付多少語義修補成本才能閉合？

---

## 2.6 負債

$$
D_{\mathrm{inj},Q}.
$$

回答：

> 現有唯一答案有多少依賴未聲明注入？

這些不是同一個量。

---

# 3. 基本對象

沿用：

$$
u
$$

表述，

$$
C
$$

上下文，

$$
\Gamma
=
\Gamma(u,C)
$$

語義約束，

$$
\mathfrak I_{\Gamma}
=
\mathfrak I(u,C)
$$

合法 completion space，

以及：

$$
Q:
\mathfrak I_{\Gamma}
\rightharpoonup
\mathcal A_Q.
$$

定義：

$$
\mathcal A_Q^\Gamma
=
\{
Q(M)
:
M\in
\mathfrak I_{\Gamma}\cap\operatorname{Dom}(Q)
\}.
$$

---

# 4. 第一層：查詢分支數

最簡單定義：

$$
N_Q(u,C)
=
|\mathfrak G_Q(u,C)|.
$$

其中：

$$
\mathfrak G_Q
=
\mathfrak I/{\sim_Q}.
$$

若：

$$
N_Q=1,
$$

則答案類只有一個。

若：

$$
N_Q>1,
$$

則存在 query-relevant semantic branching。

---

# 5. 分支數的限制

$$
N_Q
$$

有很大限制。

如果：

$$
\mathcal A_Q
=
\{0.499,0.501\},
$$

則：

$$
N_Q=2.
$$

如果：

$$
\mathcal A_Q
=
\{0.01,0.99\},
$$

也是：

$$
N_Q=2.
$$

因此：

$$
\boxed{
\text{branch count}
\neq
\text{ambiguity magnitude}.
}
$$

---

# 6. 第二層：查詢歧義直徑

若：

$$
(\mathcal A_Q,d_Q)
$$

是一個度量空間，定義：

$$
\Delta_Q(u,C)
=
\sup
\left\{
d_Q(a_i,a_j)
:
a_i,a_j\in\mathcal A_Q^\Gamma
\right\}.
$$

等價地：

$$
\Delta_Q(u,C)
=
\sup_{M_i,M_j\in\mathfrak I_{\Gamma}}
d_Q
\left(
Q(M_i),
Q(M_j)
\right).
$$

稱為 **Query Ambiguity Diameter**。

---

# 7. 強完備與零直徑

若：

$$
Q
$$

對所有 completion 有定義，且 $d_Q$ 為真正 metric，則：

$$
\Delta_Q=0
$$

當且僅當：

$$
|\mathcal A_Q|=1.
$$

因此：

$$
\boxed{
\operatorname{QRC}
\iff
\Delta_Q=0
}
$$

在上述條件下成立。

---

# 8. 零直徑不等於語義唯一

即使：

$$
\Delta_Q=0,
$$

仍可能：

$$
|\mathfrak I|>1.
$$

因此：

$$
\boxed{
\Delta_Q=0
\not\Rightarrow
|\mathfrak I|=1.
}
$$

只代表所有 completion 在 $Q$ 上不可區分。

---

# 9. 離散答案域

如果：

$$
\mathcal A_Q
$$

沒有自然數值距離，可使用離散 metric：

$$
d_Q(a,b)
=
\begin{cases}
0, & a=b,\\
1, & a\neq b.
\end{cases}
$$

則：

$$
\Delta_Q
\in
\{0,1\}.
$$

此時它退化成：

$$
\operatorname{QRC}
$$

的布林檢查。

---

# 10. 有序答案域

若答案具有順序，可定義：

$$
d_Q(a,b)
=
|a-b|.
$$

例如概率：

$$
a,b\in[0,1].
$$

則：

$$
0
\le
\Delta_Q
\le
1.
$$

---

# 11. 向量答案域

若：

$$
Q(M)
\in
\mathbb R^n,
$$

可採：

$$
d_Q(a,b)
=
\|a-b\|_p.
$$

不同 $p$ 代表不同任務敏感性。

因此 metric 必須列入 certificate。

---

# 12. 分佈答案域

若：

$$
Q(M)
=
P_M(Y),
$$

則 $d_Q$ 可以是分佈距離。

本文不指定唯一距離。

可依任務選：

- total variation；
- Wasserstein；
- Hellinger；
- Jensen-Shannon；
- task-specific decision distance。

所以：

$$
\boxed{
\Delta_Q
\text{ is metric-relative}.
}
$$

---

# 13. Metric Provenance

任何歧義直徑都應保存：

```yaml
answer_metric:
  name: ...
  domain: ...
  parameters: ...
  normalization: ...
  justification: ...
```

否則：

$$
\Delta_Q
$$

沒有可重放意義。

---

# 14. 第三層：答案半徑

直徑看最遠兩點。

也可定義對某中心 $a$ 的半徑：

$$
R_Q(a)
=
\sup_{x\in\mathcal A_Q}
d_Q(x,a).
$$

最小包覆半徑：

$$
R_Q^*
=
\inf_{a}
R_Q(a).
$$

它回答：

> 若一定要用一個代表答案，最壞偏差至少是多少？

---

# 15. 中心答案不是「真正答案」

即使找到：

$$
a^*
=
\arg\min_a R_Q(a),
$$

也不能說：

$$
a^*
$$

是原表述的真答案。

它只是 query answer set 的 minimax representative。

因此：

$$
\boxed{
\text{central estimate}
\neq
\text{semantic closure}.
}
$$

---

# 16. 第四層：查詢語義熵

如果 completion space 配有 prior：

$$
\mu(M),
$$

則：

$$
Q(M)
$$

誘導答案分佈：

$$
\nu_Q
=
Q_*\mu.
$$

對離散答案，可定義：

$$
H_Q
=
-
\sum_{a\in\mathcal A_Q}
\nu_Q(a)
\log
\nu_Q(a).
$$

稱為 **Query Semantic Entropy**。

---

# 17. 熵回答不同問題

兩個案例都可能有：

$$
\Delta_Q=1.
$$

但：

案例 A：

$$
\nu_Q
=
(0.999,0.001).
$$

案例 B：

$$
\nu_Q
=
(0.5,0.5).
$$

後者：

$$
H_Q
$$

更高。

因此：

$$
\boxed{
\text{diameter}
\neq
\text{mass-weighted uncertainty}.
}
$$

---

# 18. Prior 不是文本真理

 $\mu$ 從哪來必須標記。

可能是：

- linguistic prior；
- corpus prior；
- historical convention；
- analyst prior；
- empirical prior；
- uniform modeling prior。

因此：

$$
H_Q
$$

不是純文本量。

它是：

$$
H_Q(u,C,\mu).
$$

---

# 19. 無 prior 時不要硬造 entropy

如果沒有可辯護的：

$$
\mu,
$$

就不應假裝：

$$
H_Q
$$

是客觀語義量。

這時應回到：

$$
N_Q,
\quad
\Delta_Q,
\quad
\kappa_Q.
$$

---

# 20. 第五層：模型空間距離

目前：

$$
d_Q
$$

只比較答案。

但 completion model 本身也可以有距離：

$$
d_M(M_i,M_j).
$$

例如比較：

- 不同 commitment；
- 不同 causal graph；
- 不同 policy；
- 不同 temporal rule；
- 不同 epistemic state。

---

# 21. 第一代語義模型距離

令每個模型有 feature vector：

$$
\phi(M)
=
(
\theta_1,\ldots,\theta_n
).
$$

定義：

$$
d_M(M_i,M_j)
=
\sum_{k=1}^{n}
w_k
\delta_k
\left(
\theta_k^{(i)},
\theta_k^{(j)}
\right).
$$

其中：

$$
\delta_k
$$

是欄位特定距離。

這不是唯一自然 metric。

它是一個任務化 metric schema。

---

# 22. Query-Weighted Model Distance

只保留 query-sensitive 欄位：

$$
\Theta_Q^{+}.
$$

則：

$$
d_{M,Q}(M_i,M_j)
=
\sum_{\theta_k\in\Theta_Q^{+}}
w_k
\delta_k
\left(
\theta_k^{(i)},
\theta_k^{(j)}
\right).
$$

這比全模型距離更適合語義手術。

---

# 23. Model Distance 與 Answer Distance 不同

可能：

$$
d_M(M_i,M_j)\gg0
$$

但：

$$
d_Q(Q(M_i),Q(M_j))=0.
$$

也可能兩模型只差一個小 policy bit：

$$
d_M\approx0,
$$

但答案劇烈改變：

$$
d_Q\gg0.
$$

後者代表高 query sensitivity。

---

# 24. Semantic Leverage

定義某對模型的 query leverage：

$$
L_Q(M_i,M_j)
=
\frac{
d_Q(Q(M_i),Q(M_j))
}{
d_{M,Q}(M_i,M_j)+\epsilon
}.
$$

若：

$$
L_Q
$$

很高，表示很小的語義差異造成很大答案差異。

---

# 25. Semantic Condition Number

可進一步定義局部條件數：

$$
\kappa_{\mathrm{sem}}
=
\sup_{M_i\neq M_j}
\frac{
d_Q(Q(M_i),Q(M_j))
}{
d_M(M_i,M_j)
}.
$$

這類比數值分析中的 sensitivity。

如果：

$$
\kappa_{\mathrm{sem}}
$$

很大，則問題對語義微擾敏感。

---

# 26. Condition Number 不等於 Closure Cost

高敏感不代表難修。

可能只需補一句：

> 主持人必定開羊門。

就把巨大答案差異閉合。

所以：

$$
\boxed{
\text{sensitivity}
\neq
\text{repair difficulty}.
}
$$

---

# 27. 第六層：最小閉合代價

SRBC-03 已定義：

$$
\kappa_Q(u,C)
=
\inf_{\Delta\Gamma}
\left\{
c(\Delta\Gamma)
:
\operatorname{QRC}_{\Gamma\cup\Delta\Gamma}(u,C;Q)
\right\}.
$$

本文正式把它納入 GAP profile。

---

# 28. 成本函數

最簡單：

$$
c(\Delta\Gamma)
=
|\Delta\Gamma|.
$$

但這太粗。

可以定義：

$$
c(\Delta\Gamma)
=
\sum_{\lambda\in\Delta\Gamma}
w(\lambda).
$$

其中 $w(\lambda)$ 可以考慮：

- 語句長度；
- 邏輯強度；
- scope；
- proof burden；
- empirical cost；
- cognitive burden；
- implementation burden。

---

# 29. 語義閉合不是越短越好

一句：

> 假設所有未明條件都等於標準版本。

可能很短。

但語義負擔很大。

所以：

$$
\text{text length}
\neq
\text{semantic cost}.
$$

更好的成本應考慮：

$$
W(L),
$$

即升格幅度。

---

# 30. Lift-Weighted Closure Cost

定義：

$$
c_L(\Delta\Gamma)
=
\sum_{\lambda\in\Delta\Gamma}
W(L_\lambda).
$$

則：

$$
\kappa_Q^{(L)}
=
\inf
\left\{
c_L(\Delta\Gamma)
:
\operatorname{QRC}
\right\}.
$$

這回答：

> 最小需要增加多少語義強度才能閉合？

---

# 31. Proof-Weighted Closure Cost

如果新增條件需要證明，可定義：

$$
c_P(\Delta\Gamma)
=
\sum_i
\operatorname{ProofCost}(\lambda_i).
$$

這對數學與形式驗證更有用。

---

# 32. Empirical Closure Cost

科學中某些 gap 不能靠文字補。

必須做實驗。

因此：

$$
c_E(\Delta\Gamma)
$$

可以是：

- 實驗次數；
- 樣本數；
- 計算成本；
- 儀器成本；
- 時間。

此時：

$$
\kappa_Q^{(E)}
$$

就是「要把模型區分到足以回答 Q，至少要做多少額外觀測」。

---

# 33. Closure Cost 是一族，不是一個數

因此更完整地：

$$
\boldsymbol\kappa_Q
=
(
\kappa_Q^{\mathrm{text}},
\kappa_Q^{\mathrm{logic}},
\kappa_Q^{\mathrm{empirical}},
\kappa_Q^{\mathrm{compute}}
).
$$

不同任務可取不同分量。

---

# 34. 第七層：完備距離

最小閉合代價可以被解讀成一種距離。

定義：

$$
D_{\mathrm{comp}}(u,C;Q)
=
\inf_{\Gamma'\in\mathcal C_Q}
c(\Gamma\rightarrow\Gamma'),
$$

其中：

$$
\mathcal C_Q
=
\{
\Gamma'
:
\operatorname{QRC}_{\Gamma'}(u,C;Q)
\}.
$$

這就是 **Distance to Query Completeness**。

---

# 35. 完備集合

把所有對 $Q$ 完備的語義規格視為一個集合：

$$
\mathfrak C_Q.
$$

則：

$$
D_{\mathrm{comp}}
$$

就是當前規格：

$$
\Gamma
$$

到：

$$
\mathfrak C_Q
$$

的最短修補路徑。

---

# 36. 完備距離需要 repair geometry

如果：

$$
c
$$

不是 metric，

那麼：

$$
D_{\mathrm{comp}}
$$

也不是嚴格幾何距離。

所以本文使用 "distance" 作操作名詞時，必須標記：

$$
\operatorname{CostGeometry}.
$$

---

# 37. 語義閉合曲線

考慮逐步增加約束：

$$
\Gamma_0
\subseteq
\Gamma_1
\subseteq
\cdots
\subseteq
\Gamma_n.
$$

定義：

$$
\Delta_Q(k)
=
\operatorname{diam}
\left(
\mathcal A_Q^{\Gamma_k}
\right).
$$

則：

$$
k
\mapsto
\Delta_Q(k)
$$

稱為 **Semantic Closure Curve**。

---

# 38. 單調縮小定理

## 定理 38.1：答案直徑單調不增

若：

$$
\mathfrak I_{\Gamma_{k+1}}
\subseteq
\mathfrak I_{\Gamma_k},
$$

且 $Q,d_Q$ 固定，則：

$$
\mathcal A_Q^{\Gamma_{k+1}}
\subseteq
\mathcal A_Q^{\Gamma_k}.
$$

因此：

$$
\Delta_Q(k+1)
\le
\Delta_Q(k).
$$

### 證明

子集的直徑不大於母集合直徑。

得證。

---

# 39. 此單調性不是普遍語義定律

若：

- query 改變；
- context 改變；
- admissibility 改變；
- metric 改變；
- 新 frame 重新開放原本不可見模型；

則：

$$
\Delta_Q
$$

可能重新增加。

所以這是固定 frame 下的 closure monotonicity。

---

# 40. Semantic Reopen Jump

若從：

$$
\Gamma
$$

reframe 到：

$$
\Gamma',
$$

導致：

$$
\Delta_Q(\Gamma')
>
\Delta_Q(\Gamma),
$$

定義：

$$
J_Q
=
\Delta_Q(\Gamma')
-
\Delta_Q(\Gamma).
$$

稱為 **Reopen Jump**。

它量化：

> 新 frame 帶回多少 query-relevant semantic freedom？

---

# 41. Robust Completeness Margin

即使：

$$
\Delta_Q=0,
$$

完備可能非常脆弱。

只要撤掉一個小條件：

$$
\lambda
$$

就重新分岔。

定義：

$$
m_Q
=
\inf_{\delta\Gamma}
\left\{
c(\delta\Gamma)
:
\Delta_Q(\Gamma\ominus\delta\Gamma)>0
\right\}.
$$

其中：

$$
\Gamma\ominus\delta\Gamma
$$

表示撤回部分約束。

 $m_Q$ 是 **Robust Completeness Margin**。

---

# 42. 高 margin 與低 margin

如果：

$$
m_Q
$$

很大，表示完備答案對假設撤回較穩健。

如果：

$$
m_Q
$$

很小，表示唯一答案高度依賴少數脆弱假設。

---

# 43. Hidden Injection Debt

SRBC-04 定義：

$$
\mathcal J_{\mathrm{hidden}}.
$$

本文定義 query-sensitive injection debt：

$$
D_{\mathrm{inj},Q}
=
\sum_{\lambda_i\in\mathcal J_{\mathrm{hidden}}}
w_i
s_i
r_i(Q),
$$

其中：

$$
w_i
$$

為重要度，

$$
s_i
$$

為升格強度，

$$
r_i(Q)
$$

為 query relevance。

---

# 44. 二值 relevance

最簡單：

$$
r_i(Q)
=
\begin{cases}
1, & \lambda_i\text{ 可改變 }Q,\\
0, & \text{otherwise}.
\end{cases}
$$

---

# 45. 連續 relevance

也可定義：

$$
r_i(Q)
=
S_Q(\lambda_i),
$$

其中：

$$
S_Q(\lambda)
=
d
\left(
\mathcal A_Q^\Gamma,
\mathcal A_Q^{\Gamma+\lambda}
\right).
$$

此時 debt 會反映注入對答案的實際影響。

---

# 46. Lift Sensitivity

若答案是數值，可定義：

$$
S_Q(\lambda)
=
\left|
Q_{\Gamma+\lambda}
-
Q_\Gamma
\right|
$$

在答案唯一時。

若原本是集合，可用 Hausdorff distance：

$$
S_Q^{H}(\lambda)
=
d_H
\left(
\mathcal A_Q^\Gamma,
\mathcal A_Q^{\Gamma+\lambda}
\right),
$$

前提是：

$$
(\mathcal A_Q,d_Q)
$$

為合適 metric space。

---

# 47. Hausdorff 距離的合法位置

本文只在答案集合已有 metric 時使用：

$$
d_H.
$$

不直接說：

> 語言 GAP 就是 Hausdorff 測度。

正確說法是：

> 若 query answer sets 嵌入一個 metric space，可以用 Hausdorff distance 比較兩個 answer sets 的幾何分離。

---

# 48. Answer-Set Hausdorff Distance

對：

$$
A,B
\subseteq
\mathcal A_Q,
$$

定義：

$$
d_H(A,B)
=
\max
\left\{
\sup_{a\in A}\inf_{b\in B}d_Q(a,b),
\sup_{b\in B}\inf_{a\in A}d_Q(a,b)
\right\}.
$$

此量適合比較：

- 加入條件前後；
- 不同語境；
- 不同版本題目；
- 不同 protocol。

---

# 49. 完成空間 covering number

如果：

$$
(\mathfrak I,d_{M,Q})
$$

是 metric space，對：

$$
\varepsilon>0,
$$

定義：

$$
N_{\mathrm{cov}}(\varepsilon)
$$

為覆蓋 query-relevant completion space 所需的最少 $\varepsilon$ -ball 數。

它回答：

> 在解析度 $\varepsilon$ 下，語義空間實際需要多少代表 branch？

---

# 50. Covering number 與 branch explosion

若：

$$
N_{\mathrm{cov}}(\varepsilon)
$$

很大，表示語義分支不能被少數代表模型近似。

若很小，則即使模型無限多，也可能只有少數宏觀 branch。

---

# 51. Packing number

同樣可定義最大互相距離超過 $\varepsilon$ 的模型數：

$$
N_{\mathrm{pack}}(\varepsilon).
$$

這表示：

> 至少有多少 genuinely separated semantic regimes？

---

# 52. 語義維度

如果 covering number 隨解析度呈現穩定 scaling，可研究：

$$
\dim_{\mathrm{sem}}
=
\limsup_{\varepsilon\to0}
\frac{
\log N_{\mathrm{cov}}(\varepsilon)
}{
\log(1/\varepsilon)
}.
$$

本文不宣稱一般自然語言 completion space 必有這個極限。

它只是未來的 **semantic box-dimension candidate**。

---

# 53. 為何現在不直接建立 Hausdorff dimension

因為：

1. $d_M$ 未唯一；
2. completion space 可能非緊致；
3. branch 結構可能離散；
4. admissibility 可能 context-dependent；
5. query quotient 可能改變幾何。

所以目前只能提出條件式接口。

---

# 54. 第八層：最小有害注入集

SRBC-04 已提出：

$$
\mathcal J_Q^*.
$$

本文正式定義：

$$
\mathcal J_Q^*
=
\arg\min_{\mathcal J'}
\left\{
c(\mathcal J')
:
\mathcal A_Q^{\Gamma}
\neq
\mathcal A_Q^{\Gamma+\mathcal J'}
\right\}.
$$

它回答：

> 最少哪些 hidden commitments 足以改變答案？

---

# 55. Collapse-Inducing Set

若更強地要求：

$$
|\mathcal A_Q^\Gamma|>1
$$

且：

$$
|\mathcal A_Q^{\Gamma+\mathcal J'}|=1,
$$

則稱：

$$
\mathcal J'
$$

為 collapse-inducing set。

最小者記：

$$
\mathcal J_{Q,\mathrm{collapse}}^*.
$$

---

# 56. Semantic Collapse Power

定義：

$$
P_{\mathrm{collapse}}(\mathcal J')
=
\Delta_Q^\Gamma
-
\Delta_Q^{\Gamma+\mathcal J'}.
$$

如果：

$$
P_{\mathrm{collapse}}
$$

大，表示這組額外條件強烈壓縮答案空間。

---

# 57. Collapse Power 不代表 illegality

如果：

$$
\mathcal J'
$$

是題目明示新增規則，

那它完全合法。

所以：

$$
\boxed{
\text{collapse power}
\neq
\text{semantic fault}.
}
$$

fault 需要 provenance 判定。

---

# 58. 第九層：Query Ambiguity Mass

如果 completion space 有 measure：

$$
\mu,
$$

可定義兩個隨機 completion：

$$
M,M'\sim\mu.
$$

再定義：

$$
A_Q
=
\mathbb E
\left[
d_Q
\left(
Q(M),Q(M')
\right)
\right].
$$

這是平均答案分離，而非最壞直徑。

---

# 59. Diameter 與平均分離

若只有極少量 outlier：

$$
\Delta_Q
$$

可能很大，

但：

$$
A_Q
$$

很小。

因此兩者共同報告更好。

---

# 60. Quantile Ambiguity Width

若有 prior，可定義：

$$
\Delta_Q^{(\alpha)}
$$

為覆蓋至少 $\alpha$ 機率質量的最小答案區域直徑。

例如：

$$
\alpha=0.95.
$$

這適合實務 decision support。

---

# 61. 不能用 prior 抹掉合法反例

即使某 branch prior 很低：

$$
\mu(M_i)\ll1,
$$

只要：

$$
M_i
$$

仍 admissible 且：

$$
Q(M_i)\neq Q(M_j),
$$

就不能說 strong QRC 成立。

所以：

$$
\boxed{
\text{probabilistic concentration}
\neq
\text{logical completeness}.
}
$$

---

# 62. 第十層：Semantic Repair Efficiency

對 repair：

$$
\Delta\Gamma,
$$

定義：

$$
\eta_Q(\Delta\Gamma)
=
\frac{
\Delta_Q^\Gamma
-
\Delta_Q^{\Gamma+\Delta\Gamma}
}{
c(\Delta\Gamma)
}.
$$

這表示：

> 每單位語義修補成本能縮小多少答案寬度？

---

# 63. 高效率修補

若一個條件：

$$
\lambda
$$

成本小但可使：

$$
\Delta_Q
\rightarrow0,
$$

則：

$$
\eta_Q(\{\lambda\})
$$

很高。

這類條件就是理想 clarification target。

---

# 64. Clarification Priority

可定義：

$$
P_{\mathrm{clarify}}(\lambda)
=
\frac{
S_Q(\lambda)
}{
c_{\mathrm{ask}}(\lambda)+\epsilon
}.
$$

AI 可優先詢問：

$$
\arg\max_{\lambda}
P_{\mathrm{clarify}}(\lambda).
$$

這會把澄清問題從「想到什麼就問」改成資訊效率問題。

---

# 65. Expected Information Gain 版本

若有 prior，可用：

$$
\operatorname{EIG}(\lambda)
=
H_Q
-
\mathbb E
\left[
H_Q
\mid
\operatorname{Ans}(\lambda)
\right].
$$

再除以詢問成本：

$$
\frac{
\operatorname{EIG}(\lambda)
}{
c_{\mathrm{ask}}(\lambda)
}.
$$

這和 active experiment selection 有結構類似性。

---

# 66. 不確定性的三個來源

本文區分：

$$
U_{\mathrm{sem}}
$$

語義不確定；

$$
U_{\mathrm{stoch}}
$$

世界隨機；

$$
U_{\mathrm{epi}}
$$

知識不足。

三者可能共同影響答案。

---

# 67. 語義不確定與隨機不確定不同

即使每一個模型內都有精確概率：

$$
P_M(E),
$$

不同 completion 仍可能給：

$$
P_{M_1}(E)\neq P_{M_2}(E).
$$

因此：

$$
\boxed{
\text{probability inside a model}
\neq
\text{uncertainty over which model is semantically licensed}.
}
$$

---

# 68. 二階概率表示

若有 completion prior：

$$
\mu(M),
$$

則：

$$
P(E)
$$

本身變成隨機變數：

$$
Z(M)
=
P_M(E).
$$

此時可研究：

$$
\mathbb E_\mu[Z],
$$

$$
\operatorname{Var}_\mu(Z),
$$

以及：

$$
\operatorname{supp}(Z).
$$

這是 semantic model uncertainty 的一種二階表示。

---

# 69. 不能把二階平均當唯一原答案

即使：

$$
\mathbb E_\mu[Z]=0.6,
$$

也不代表原句唯一答案是：

$$
0.6.
$$

它只是 prior-weighted mixture answer。

---

# 70. GAP Profile Vector

本文提出第一代多維 GAP profile：

$$
\mathbf G_Q
=
\left(
N_Q,
\Delta_Q,
R_Q^*,
H_Q,
D_{\mathrm{comp}},
\kappa_Q,
D_{\mathrm{inj},Q},
m_Q,
\kappa_{\mathrm{sem}}
\right).
$$

其中各分量可以缺省。

---

# 71. GAP profile 的意義

兩個問題即使都有：

$$
\operatorname{QRU},
$$

也可能有：

$$
\mathbf G_Q^{(1)}
\neq
\mathbf G_Q^{(2)}.
$$

所以：

$$
\boxed{
\text{underdetermination is not one-dimensional}.
}
$$

---

# 72. Normalized GAP Profile

若不同任務需要比較，可定義正規化：

$$
\widetilde{\mathbf G}_Q
=
\operatorname{Norm}
\left(
\mathbf G_Q
\right).
$$

但 normalization 必須保存。

不能把不同 metric 的分量直接硬加。

---

# 73. Composite GAP Index

如果實務上需要單一分數，可以定義：

$$
G_Q^{\mathrm{comp}}
=
\sum_i
\alpha_i
\widetilde G_i.
$$

但本文明確將其定位為：

$$
\boxed{
\text{task-designed index},
}
$$

不是自然界唯一語義常數。

---

# 74. 完備距離與 robust margin 的雙性

$$
D_{\mathrm{comp}}
$$

問：

> 從不完備走到完備需要多少成本？

$$
m_Q
$$

問：

> 從完備退回不完備至少要移除多少支撐？

因此：

$$
\boxed{
D_{\mathrm{comp}}
\leftrightarrow
m_Q
}
$$

形成一對 forward / reverse robustness quantities。

---

# 75. Semantic Fragility

可定義：

$$
F_Q
=
\frac{1}{m_Q+\epsilon}.
$$

margin 越小：

$$
F_Q
$$

越大。

表示答案雖然唯一，但高度依賴少數薄弱承諾。

---

# 76. Semantic Redundancy

若多個互相獨立條件都足以支持同一答案，可定義支撐冗餘。

例如有：

$$
\lambda_1,
\lambda_2,
\lambda_3
$$

各自撤掉仍不破壞 QRC。

則完備性具有 redundancy。

這可用最小 cut set 觀點研究。

---

# 77. Minimal Semantic Cut Set

定義最小約束撤回集：

$$
\mathcal C_Q^*
=
\arg\min_{\mathcal C}
\left\{
c(\mathcal C):
\neg
\operatorname{QRC}_{\Gamma\setminus\mathcal C}
\right\}.
$$

它是語義完備性的最小 cut set。

---

# 78. 與 reliability theory 的類比

一個答案的唯一性可能由多個條件共同支撐。

因此可以借用 reliability 思想：

- minimal path set；
- minimal cut set；
- redundancy；
- fragility。

本文只提出結構類比，不聲稱兩者數學完全相同。

---

# 79. Branch Weight 與 Branch Legality

必須區分：

$$
\operatorname{Adm}(M)
$$

與：

$$
\mu(M).
$$

第一個是：

> 是否合法？

第二個是：

> 權重多少？

所以：

$$
\mu(M)=0.001
$$

不代表：

$$
M
$$

非法。

---

# 80. Hard Boundary 與 Soft Boundary

SRBC 可區分：

$$
\mathfrak I_{\mathrm{hard}}
$$

所有通過硬 constraints 的 completion，

以及：

$$
\mu
$$

對其中 completion 的 soft preference。

這避免把語用偏好誤寫成語義排除。

---

# 81. Semantic Confidence Interval

若：

$$
Q(M)\in\mathbb R
$$

且有 $\mu$，可以定義：

$$
CI_Q^{(\alpha)}
$$

為 semantic completion induced credible interval。

它不是抽樣誤差。

而是：

> 不同合法 completion 導致的答案分散。

---

# 82. 雙重區間

若每個模型內又有統計不確定，可得到：

$$
CI_{\mathrm{within}}
$$

與：

$$
CI_{\mathrm{between}}.
$$

分別表示：

- 模型內估計不確定；
- 語義模型間不確定。

不能混在一起。

---

# 83. Monty Hall 預備：答案直徑

假設：

$$
M_A
$$

為標準 host protocol，

$$
Q(M_A)
=
\frac23.
$$

另一 admissible completion：

$$
M_B
$$

若得到：

$$
Q(M_B)=\frac12,
$$

則至少：

$$
\Delta_Q
\ge
\left|
\frac23-\frac12
\right|
=
\frac16.
$$

注意：

這只是下界。

若還有其他 admissible model，可能：

$$
\Delta_Q>\frac16.
$$

---

# 84. Monty Hall 預備：最小閉合

如果只需補：

$$
\lambda_1:
\text{主持人必定打開未選羊門}
$$

與：

$$
\lambda_2:
\text{主持人必定提供換門}
$$

便使：

$$
\Delta_Q\rightarrow0,
$$

則：

$$
\kappa_Q
$$

可能很小。

但這要由 SRBC-06 實際檢查。

本文不預先裁決。

---

# 85. Monty Hall 預備：tie-breaking

某些 query 對 tie-breaking 不敏感。

因此：

$$
\lambda_{\mathrm{tie}}
\in
\Theta_{Q_1}^{0}
$$

但對另一 conditional query：

$$
Q_2
$$

可能有：

$$
\lambda_{\mathrm{tie}}
\in
\Theta_{Q_2}^{+}.
$$

所以同一規則的 GAP contribution 是 query-dependent。

---

# 86. Monty Hall 預備：knowledge-policy sensitivity

如果：

$$
K_H(C)
$$

固定，

但：

$$
\pi_H
$$

改變，

則可測：

$$
S_Q(\pi_H).
$$

若：

$$
S_Q(\pi_H)\gg0,
$$

表示 host policy 是高敏感語義欄位。

---

# 87. Monty Hall 預備：protocol distance

可以建立：

$$
d_{\mathrm{protocol}}
(M_i,M_j)
$$

比較：

- host knowledge；
- opening rule；
- offer rule；
- tie-breaking；
- participant knowledge；
- repetition protocol。

再和：

$$
d_Q
$$

對比，得到 semantic leverage。

---

# 88. Query-Relative Completeness Surface

若模型由參數：

$$
\theta
=
(
\theta_1,\ldots,\theta_n
)
$$

控制，

可以畫：

$$
Q(\theta).
$$

所有：

$$
Q(\theta)=a
$$

的點形成 level set。

如果 admissible region 全落在單一 level set 上：

$$
\operatorname{QRC}.
$$

---

# 89. GAP 作為 admissible region 跨 level set

若 admissible region：

$$
\Theta_{\mathrm{adm}}
$$

穿過多個：

$$
Q(\theta)
$$

level sets，

則存在：

$$
\operatorname{QRU}.
$$

這給出一個很直觀的幾何圖像。

---

# 90. Distance to Level-Set Closure

若想使：

$$
\Theta_{\mathrm{adm}}
$$

落入單一 level set，需要增加約束切掉一部分參數區域。

最小切割代價就是另一種：

$$
D_{\mathrm{comp}}.
$$

---

# 91. Semantic Phase Transition

若某個很小約束改動讓：

$$
\Delta_Q
$$

突然從大值掉到零，

可以稱為：

$$
\boxed{
\text{semantic closure transition}.
}
$$

這是描述性術語。

未來可研究是否有 phase-transition-like scaling。

---

# 92. Critical Constraint

若某：

$$
\lambda_c
$$

加入前：

$$
\Delta_Q>0,
$$

加入後：

$$
\Delta_Q=0,
$$

且沒有更低成本子約束能達成，則：

$$
\lambda_c
$$

是 critical closure constraint。

---

# 93. Query-Stable Core

如果某些 commitments：

$$
\Gamma_Q^*
$$

一旦固定，就不管其他 query-neutral slots 怎麼變都有：

$$
Q(M)=a,
$$

則：

$$
\Gamma_Q^*
$$

是 query-stable core。

找：

$$
\Gamma_Q^*
$$

比追求完整模型唯一化更有效率。

---

# 94. Minimal Query-Stable Core

定義：

$$
\Gamma_{Q,\min}^*
=
\arg\min_{\Gamma'}
\left\{
c(\Gamma'):
\forall M\models\Gamma',
Q(M)=a
\right\}.
$$

這是「回答這題至少要固定哪些東西？」

---

# 95. 與 sufficient statistics 的結構類比

若：

$$
T(M)
$$

保留 $Q$ 所需全部資訊，

即：

$$
Q(M)
=
\widetilde Q(T(M)),
$$

則：

$$
T
$$

是 query-sufficient representation。

這和統計中的 sufficient statistic 有結構類比。

SRBC 不宣稱兩者一般等價。

---

# 96. Semantic Sufficiency Ratio

如果完整模型描述成本為：

$$
C(M),
$$

query-stable core 成本：

$$
C(T(M)),
$$

可定義：

$$
\rho_Q
=
\frac{
C(T(M))
}{
C(M)
}.
$$

 $\rho_Q$ 小表示：

> 回答 Q 只需很少語義核心。

---

# 97. Over-Specification Cost

若分析者補了大量 query-neutral 結構：

$$
\Theta_Q^0,
$$

則增加形式化成本但不改善答案。

定義：

$$
C_{\mathrm{over}}
=
\sum_{\theta_i\in\Theta_Q^0}
c(\theta_i).
$$

這量化「過度形式化」。

---

# 98. Under-Specification Cost

若：

$$
\Theta_Q^+
$$

仍未固定，

可定義：

$$
C_{\mathrm{under}}
=
D_{\mathrm{comp}}.
$$

因此一個好的 formalization 要平衡：

$$
C_{\mathrm{over}}
$$

與：

$$
C_{\mathrm{under}}.
$$

---

# 99. Semantic Specification Objective

可以定義：

$$
J_{\mathrm{spec}}
=
\alpha
C_{\mathrm{under}}
+
\beta
C_{\mathrm{over}}
+
\gamma
D_{\mathrm{inj},Q}.
$$

最小化：

$$
J_{\mathrm{spec}}
$$

可作為 query-directed formalization 的工程目標。

---

# 100. 不同 query 有不同最優規格

對：

$$
Q_1
$$

的最小 stable core，

不一定適合：

$$
Q_2.
$$

所以：

$$
\boxed{
\text{there is no universally minimal specification independent of task}.
}
$$

至少在 SRBC 的任務相對框架中如此。

---

# 101. Semantic Robustness Frontier

考慮：

$$
(\kappa_Q,m_Q).
$$

可以形成 robustness frontier：

- closure cost 低；
- robustness margin 高；

是理想區域。

---

# 102. 低成本低 margin

若：

$$
\kappa_Q\ll1
$$

但：

$$
m_Q\ll1,
$$

表示很容易得到唯一答案，但也很容易因假設撤回而失去唯一性。

---

# 103. 高成本高 margin

若：

$$
\kappa_Q
$$

高，

但：

$$
m_Q
$$

也高，

則完備一旦建立可能很穩。

---

# 104. 語義風險

可定義任務風險：

$$
R_Q
=
L_Q^{\mathrm{decision}}
\cdot
U_Q,
$$

其中：

$$
L_Q^{\mathrm{decision}}
$$

為答案錯誤帶來的 loss，

$$
U_Q
$$

可以由：

$$
\Delta_Q,
H_Q,
D_{\mathrm{inj},Q}
$$

組成。

---

# 105. 高風險任務需要更嚴 closure

若 medical、legal、safety 或重大決策：

$$
L_Q^{\mathrm{decision}}
$$

高，

就算：

$$
\Delta_Q
$$

不大，也可能需要澄清。

SRBC 本身不決定風險政策，但提供量化接口。

---

# 106. GAP Measurement Certificate

第一代證書：

```yaml
srbc_gap_measurement:
  expression: u
  context: C
  query: Q

  completion_space:
    representation: ...
    admissibility_rule: ...
    model_count: ...
    quotient_count: ...

  answer_geometry:
    answer_domain: ...
    metric: ...
    diameter: ...
    radius: ...
    hausdorff_reference: ...

  probabilistic_layer:
    prior_status: absent
    entropy: null

  closure_layer:
    cost_function: ...
    minimal_closure_cost: ...
    robust_margin: ...

  injection_layer:
    hidden_commitments:
      - ...
    query_sensitive_debt: ...

  sensitivity:
    semantic_condition_number: ...
    critical_constraints:
      - ...

  status:
    qrc: false
    qru: true
    qdu: false
```

---

# 107. 沒有 metric 時的證書

若不存在合理：

$$
d_Q,
$$

仍可報：

- $N_Q$ ；
- completion partition；
- minimal closure cost；
- injection debt；
- minimal distinguishing query。

因此 SRBC-05 不強迫所有語義問題幾何化。

---

# 108. 沒有 prior 時的證書

若沒有合理：

$$
\mu,
$$

就將：

```yaml
prior_status: absent
entropy: null
```

而不是亂用 uniform prior。

---

# 109. 無限 completion space

若：

$$
|\mathfrak I|=\infty,
$$

也不代表無法測量。

可以使用：

- quotient；
- parameterization；
- symbolic elimination；
- interval bound；
- covering number；
- optimization；
- adversarial search。

---

# 110. 極值搜索

對：

$$
Q(M)\in\mathbb R,
$$

可以解：

$$
q_{\min}
=
\inf_{M\in\mathfrak I}Q(M),
$$

$$
q_{\max}
=
\sup_{M\in\mathfrak I}Q(M).
$$

則：

$$
\Delta_Q
=
q_{\max}-q_{\min}.
$$

若 infimum / supremum 可計算。

---

# 111. Symbolic Bound Certificate

即使找不到全部模型，也可能證：

$$
Q(M)\in[a,b]
$$

對所有 admissible $M$。

則：

$$
\Delta_Q
\le
b-a.
$$

這是 upper-bound certificate。

---

# 112. Countermodel Lower Bound

若找到：

$$
M_i,M_j,
$$

則：

$$
\Delta_Q
\ge
d_Q
\left(
Q(M_i),Q(M_j)
\right).
$$

所以單一 countermodel pair 也能提供 gap lower bound。

---

# 113. 上下界夾逼

若：

$$
L_Q
\le
\Delta_Q
\le
U_Q,
$$

且：

$$
U_Q-L_Q
$$

逐步縮小，就可以把 semantic measurement 做成 anytime algorithm。

---

# 114. Semantic Search Budget

在有限 budget：

$$
B,
$$

只能找到：

$$
\widehat{\Delta}_Q^{(B)}.
$$

若它來自已找到模型的最大分離，則：

$$
\widehat{\Delta}_Q^{(B)}
\le
\Delta_Q.
$$

因此必須標：

$$
\boxed{
\text{observed ambiguity width}
\le
\text{true ambiguity width}.
}
$$

---

# 115. No Counterexample Found 問題

若 budget 內沒有找到不同答案：

$$
\widehat{\Delta}_Q^{(B)}=0,
$$

不能推出：

$$
\Delta_Q=0.
$$

這延續 SRBC-03：

$$
\boxed{
\text{search failure}
\neq
\text{completeness proof}.
}
$$

---

# 116. Certified Zero

只有在：

- symbolic proof；
- exhaustive finite enumeration；
- complete quotient proof；
- query core proof；

之一完成後，才可標：

$$
\Delta_Q=0
$$

為 certified。

---

# 117. Approximate Zero

若只知道：

$$
\Delta_Q\le\varepsilon,
$$

則是：

$$
\varepsilon\text{-complete}.
$$

不能寫成 exact QRC，除非：

$$
\varepsilon=0.
$$

---

# 118. Semantic Tolerance Budget

對任務容差：

$$
\varepsilon_Q,
$$

若：

$$
\Delta_Q\le\varepsilon_Q,
$$

可以視為 task-complete。

這是工程意義的 closure。

---

# 119. 強完備與任務完備

因此區分：

$$
\operatorname{QRC}_0
$$

強完備，

與：

$$
\operatorname{QRC}_{\varepsilon}
$$

任務容差完備。

---

# 120. 多查詢 GAP

若：

$$
\mathcal Q
=
\{Q_1,\ldots,Q_n\},
$$

可定義：

$$
\boldsymbol\Delta_{\mathcal Q}
=
(
\Delta_{Q_1},
\ldots,
\Delta_{Q_n}
).
$$

或者選權重：

$$
\Delta_{\mathcal Q}^{*}
=
\sum_i
w_i\Delta_{Q_i}.
$$

---

# 121. Worst-Case Multi-Query Gap

也可定義：

$$
\Delta_{\mathcal Q}^{\max}
=
\max_i
\Delta_{Q_i}.
$$

這適合要求所有 query 都穩定的系統。

---

# 122. Query Set Cover

若一組 clarifications：

$$
\Lambda
$$

可同時讓多個 query 閉合，則可研究：

$$
\min_{\Lambda}
c(\Lambda)
$$

使：

$$
\forall Q_i\in\mathcal Q:
\Delta_{Q_i}=0.
$$

這是 semantic closure set-cover-like 問題。

---

# 123. Query Interaction

某個 constraint：

$$
\lambda
$$

可能對：

$$
Q_1
$$

降低 gap，

卻對：

$$
Q_2
$$

無影響。

甚至 reframe 後可能讓另一 query 重新打開。

所以 multi-query closure 不是單純逐題相加。

---

# 124. Semantic Coupling Matrix

定義：

$$
S_{ij}
=
S_{Q_i}(\lambda_j).
$$

形成：

$$
S
=
[S_{ij}].
$$

這個矩陣顯示：

> 哪個語義欄位影響哪個查詢？

---

# 125. Critical Semantic Variables

若某：

$$
\lambda_j
$$

對多個 query 都高敏感：

$$
\sum_i S_{ij}
$$

大，

則它是 critical semantic variable。

---

# 126. Query-Specific Variables

若：

$$
S_{ij}
$$

只對單一 $Q_i$ 大，

則它是 narrow query variable。

這能指導澄清順序。

---

# 127. Semantic Control View

可以把 open semantic slots：

$$
\Theta
$$

視為可控制變數，

query outputs：

$$
Y_Q
$$

視為觀察量。

則：

$$
\Theta
\rightarrow
Y_Q
$$

形成語義控制映射。

本文只採結構類比。

---

# 128. Identifiability

若不同：

$$
\theta_i\neq\theta_j
$$

卻：

$$
Q(M_{\theta_i})
=
Q(M_{\theta_j}),
$$

則該 query 無法識別這兩個語義狀態。

所以：

$$
\boxed{
\text{query completeness}
\neq
\text{parameter identifiability}.
}
$$

---

# 129. 完備但不可識別

可能：

$$
\Delta_Q=0
$$

但大量：

$$
\theta
$$

仍不可識別。

這再次證明 QRC 是弱而實用的概念。

---

# 130. 語義識別成本

如果目標不是只回答 $Q$，而是辨識完整模型，可定義：

$$
\kappa_{\mathrm{id}}
$$

為模型 identification cost。

通常：

$$
\kappa_{\mathrm{id}}
\ge
\kappa_Q.
$$

因為辨識完整模型至少不比回答單一 query 容易。

---

# 131. Semantic Compression Gain

若：

$$
\kappa_Q\ll\kappa_{\mathrm{id}},
$$

表示 query-relative framing 帶來巨大壓縮。

這是 SRBC 對 AI reasoning 很重要的工程價值。

---

# 132. AI Runtime：不要解析不必要的世界

一個 AI 若每次都企圖唯一化完整世界模型：

$$
M^*
$$

成本很高。

SRBC 建議：

$$
u
\rightarrow
\Theta_Q^{+}
\rightarrow
\text{minimal closure}
\rightarrow
Q.
$$

只解決真正影響答案的語義自由度。

---

# 133. AI Runtime：GAP Budget

可設定：

$$
B_{\mathrm{gap}}
$$

允許的最大：

$$
\Delta_Q
$$

或：

$$
D_{\mathrm{comp}}.
$$

如果超過，就觸發：

- clarification；
- branch output；
- abstention；
- conditional answer。

---

# 134. AI Runtime：Risk-Adjusted GAP

高風險任務可用：

$$
G_Q^{\mathrm{risk}}
=
L_Q
\cdot
\Delta_Q.
$$

或：

$$
L_Q
\cdot
H_Q.
$$

這不是唯一安全公式，只是接口。

---

# 135. 語義測量的失敗模式

## 135.1 Metric Shopping

選一個有利 metric 讓 gap 看起來小。

## 135.2 Prior Laundering

用主觀 prior 把合法 branch 權重壓到近零，假裝沒有 gap。

## 135.3 Cost Manipulation

把某些巨大語義假設設成低成本。

## 135.4 Query Drift

量到一半換 query。

## 135.5 Admissibility Drift

偷偷改 completion legality。

## 135.6 Finite Search Inflation

把已找到最大距離當成真正 supremum。

## 135.7 Normalization Hiding

不揭露 normalization。

---

# 136. Measurement Provenance

每一個指標至少要能回到：

$$
(u,C,\Gamma,Q,\mathfrak I,d_Q,\mu,c).
$$

因此測量 artifact 必須保存：

```yaml
measurement_context:
  expression: ...
  context: ...
  constraints: ...
  query: ...
  completion_generator: ...
  admissibility_rule: ...
  answer_metric: ...
  model_metric: ...
  prior: ...
  repair_cost: ...
  budget: ...
  version: ...
```

---

# 137. Reproducibility

如果另一個系統使用相同：

$$
(u,C,\Gamma,Q,\mathfrak I,d_Q,\mu,c),
$$

應能重建相同指標，至少在 deterministic case。

如果 completion generation 是 stochastic，必須保存 seed 或 sample trace。

---

# 138. Semantic Benchmark

一個好的 benchmark 不只給 prompt 與 answer。

還應給：

- admissible completion family；
- hidden slots；
- query；
- answer metric；
- gold countermodel pair；
- minimal closure set；
- critical lifts。

這樣才能測 AI 是「會算」還是「會審計語義」。

---

# 139. Monty Hall 作為第一個 benchmark

Monty Hall 特別適合，因為它同時涉及：

- narrator / participant perspective；
- host knowledge；
- host policy；
- observed action；
- conditional probability；
- repeated-game protocol；
- tie-breaking；
- switch offer；
- query definition。

所以它是一個高密度 semantic benchmark。

---

# 140. Monty Hall 不應被過度神化

它不是唯一重要案例。

後續可加入：

- Bertrand paradox；
- Sleeping Beauty；
- Newcomb-like problems；
- Simpson-type narrative problems；
- causal ambiguity cases；
- legal-rule ambiguity；
- software requirement ambiguity。

SRBC-06 先用 Monty Hall，是因為前置研究最完整。

---

# 141. 第一代 GAP Measurement Pipeline

## Step 1：建立 completion space

$$
\mathfrak I.
$$

## Step 2：建立 query quotient

$$
\mathfrak G_Q.
$$

## Step 3：選 answer metric

$$
d_Q.
$$

## Step 4：估計或證明

$$
\Delta_Q.
$$

## Step 5：若有 prior，計算

$$
H_Q.
$$

## Step 6：建立 repair candidates

$$
\Delta\Gamma.
$$

## Step 7：求：

$$
\kappa_Q.
$$

## Step 8：撤回條件，估：

$$
m_Q.
$$

## Step 9：計算 hidden injection debt

$$
D_{\mathrm{inj},Q}.
$$

## Step 10：輸出：

$$
\mathbf G_Q.
$$

---

# 142. Anytime Measurement

在大型 completion space 中，pipeline 可以逐步輸出：

$$
L_Q^{(B)}
\le
\Delta_Q
\le
U_Q^{(B)}.
$$

隨 budget：

$$
B
$$

增加，

理想上：

$$
L_Q^{(B)}
\uparrow,
$$

$$
U_Q^{(B)}
\downarrow.
$$

---

# 143. Closure Search

可以把：

$$
\kappa_Q
$$

視為 optimization：

$$
\min_{\Delta\Gamma}
c(\Delta\Gamma)
$$

subject to：

$$
\Delta_Q(\Gamma+\Delta\Gamma)=0.
$$

---

# 144. Adversarial Semantic Search

反過來，搜尋：

$$
\max_{M_i,M_j\in\mathfrak I}
d_Q
\left(
Q(M_i),Q(M_j)
\right).
$$

這是 semantic adversarial search。

它尋找最能暴露 GAP 的 model pair。

---

# 145. Duality

因此 SRBC-05 有兩個對偶 optimization：

$$
\boxed{
\text{maximize separation}
}
$$

與：

$$
\boxed{
\text{minimize closure cost}.
}
$$

前者找最強反例。

後者找最小修復。

---

# 146. Search-Close Loop

可以形成：

$$
\text{countermodel search}
\rightarrow
\text{gap measurement}
\rightarrow
\text{minimal repair}
\rightarrow
\text{retest}.
$$

這將成為 SRBC-07 runtime 的核心循環。

---

# 147. Formal Semantic Surgery 的量化核心

真正的「手術」不只是指出：

> 這句話少了東西。

而是：

1. 找出缺少哪個欄位；
2. 找出它能造成哪些合法 branch；
3. 量 branch 對 query 的分離；
4. 找最小 closure；
5. 測 closure robustness；
6. 保存 provenance。

---

# 148. SRBC-05 的九個核心量

本文暫定第一代核心：

$$
N_Q
$$

query branch count；

$$
\Delta_Q
$$

answer diameter；

$$
R_Q^*
$$

minimal answer radius；

$$
H_Q
$$

query entropy；

$$
D_{\mathrm{comp}}
$$

distance to completeness；

$$
\kappa_Q
$$

minimal closure cost；

$$
D_{\mathrm{inj},Q}
$$

injection debt；

$$
m_Q
$$

robustness margin；

$$
\kappa_{\mathrm{sem}}
$$

semantic condition number。

---

# 149. 不要求每個案例都有九個量

有些案例只有：

$$
N_Q,
\Delta_Q,
\kappa_Q.
$$

就夠。

SRBC 的測度框架是 modular。

---

# 150. 最小發布標準

若要正式聲稱：

> 此自然語言表述存在 query-relevant semantic GAP。

至少應提供：

1. $u$ ；
2. $C$ ；
3. $Q$ ；
4. 兩個 admissible completion；
5. 不同答案；
6. provenance；
7. 一個 gap lower bound。

---

# 151. 強發布標準

若要聲稱：

> GAP 寬度是 $\Delta_Q$。

則還需：

1. answer metric；
2. global extremum proof 或上下界證書；
3. completion coverage；
4. query definition；
5. metric provenance。

---

# 152. 關於「自然語言不完備」的最終措辭

本文仍不主張：

$$
\boxed{
\text{Natural language is globally incomplete}.
}
$$

這太大。

我們只研究：

$$
\boxed{
\text{某一表述在某一 context 與 query 下，距離 query completeness 有多少。}
}
$$

這是一個可測量、可反駁、可修復的較弱命題。

---

# 153. 與 SRBC-01 的閉環

SRBC-01 問：

> 符號的身份保持表徵包絡多大？

SRBC-05 現在問：

> 當表徵不足以唯一承載 query-relevant structure 時，造成的答案差異、修補成本與脆弱性多大？

因此：

$$
\text{representation bound}
\rightarrow
\text{semantic gap profile}.
$$

---

# 154. 與 SRBC-02 的閉環

SRBC-02 給：

$$
\mathfrak I(u,C).
$$

SRBC-05 對它加：

$$
d_M,
\mu,
c.
$$

使 completion family 從集合升級成：

- metric family；
- weighted family；
- repair graph。

---

# 155. 與 SRBC-03 的閉環

SRBC-03 給：

$$
\mathfrak G_Q.
$$

SRBC-05 不再只問：

$$
|\mathfrak G_Q|>1?
$$

而問：

$$
\operatorname{diam}(\mathfrak G_Q)?
$$

以及：

$$
\operatorname{Cost}
\left(
\mathfrak G_Q\rightarrow1
\right)?
$$

---

# 156. 與 SRBC-04 的閉環

SRBC-04 給：

$$
\mathcal J_{\mathrm{hidden}}.
$$

SRBC-05 把它量化為：

$$
D_{\mathrm{inj},Q}.
$$

因此 hidden injection 從分類錯誤變成可排序風險。

---

# 157. SREG 接口

SREG 可以把每一次 formal branch 的 semantic state 寫成：

$$
S_t
=
(
\Gamma_t,
\mathfrak I_t,
Q_t,
\mathbf G_{Q_t}
).
$$

閉合條件不再只是：

$$
\text{no obvious new branch}.
$$

而可以包含：

$$
\Delta_Q\le\varepsilon,
$$

$$
D_{\mathrm{inj},Q}=0,
$$

$$
m_Q\ge m_{\min}.
$$

---

# 158. SREG Ambiguity Debt 的量化升級

原 ambiguity debt：

$$
D_{\mathrm{amb}}.
$$

可拆為：

$$
D_{\mathrm{amb}}
=
D_{\mathrm{branch}}
+
D_{\mathrm{inj}}
+
D_{\mathrm{metric}}
+
D_{\mathrm{closure}}.
$$

其中：

- branch debt：尚未解析 query-sensitive branches；
- injection debt：未標 provenance 的新增承諾；
- metric debt：尚未知道答案差多大；
- closure debt：尚未知道如何最小修復。

---

# 159. Research Runtime 輸出

未來 runtime 不只輸出：

```text
answer = 2/3
```

而可輸出：

```yaml
answer:
  conditional: 2/3
  branch: standard_host_protocol

semantic_status:
  exact_qrc: false
  observed_gap_lower_bound: 0.166666...
  critical_slot:
    - host_policy
  minimal_closure_candidate:
    - host_always_opens_unchosen_goat
```

這才是可審計 AI reasoning。

---

# 160. 可證偽性

本文框架應在以下情況被削弱或修正：

1. 若 GAP profile 不能提供比單純 QRC/QRU 更有用的區分；
2. 若合理 metric 的選擇高度任意，使 $\Delta_Q$ 缺乏可比較性；
3. 若 closure cost 無法形成可重放規則；
4. 若 entropy layer 常被 prior choice 完全主導；
5. 若 model distance 與 query sensitivity 無法穩定估計；
6. 若 minimal closure search 在小案例中也不可操作；
7. 若 robust margin 對假設脆弱性沒有預測力；
8. 若 Monty Hall 實驗中 GAP 測度無法區分不同 semantic protocol；
9. 若所謂 measurement 只是在重新命名既有 ambiguity taxonomy，而沒有產生額外可檢驗輸出。

---

# 161. 研究限制

本文尚未建立：

- completion space 的唯一 metric；
- semantic prior 的客觀來源；
- 通用 closure cost；
- semantic Hausdorff dimension 的存在定理；
- general infinite-space optimizer；
- universal query distance；
- all-domain normalization；
- 高維 GAP profile 的統計校準；
- semantic condition number 的一般有限性；
- minimal cut set 的計算複雜度分類；
- 真實人類語義判斷資料集。

因此本文是一個 **measurement framework**，不是宣稱已存在唯一「語義公尺」。

---

# 162. 下一篇：Monty Hall 語義手術

前五篇完成後，工具已經齊了。

SRBC-01：

$$
\text{representation bounds}.
$$

SRBC-02：

$$
\text{completion space}.
$$

SRBC-03：

$$
\text{query-relative completeness}.
$$

SRBC-04：

$$
\text{illegal lift audit}.
$$

SRBC-05：

$$
\text{gap measurement}.
$$

下一篇 SRBC-06 將把它們第一次全部用在同一案例：

$$
\boxed{
\text{Monty Hall Semantic Surgery}.
}
$$

研究流程將是：

1. 固定原始文本版本；
2. 抽取 text-level commitments；
3. 建立 completion slots；
4. 構造 admissible host-policy families；
5. canonicalize query；
6. 找 countermodel pair；
7. 計算 answer gap；
8. 找最小 closure；
9. 審計 standard protocol 的新增 commitments；
10. 明確區分「標準版本正確」與「原自然語言是否唯一指定標準版本」。

---

# 163. 結論

語義 GAP 不是一個單一現象。

至少有：

$$
\boxed{
\text{多少 branch？}
}
$$

$$
\boxed{
\text{答案差多遠？}
}
$$

$$
\boxed{
\text{哪些 branch 權重高？}
}
$$

$$
\boxed{
\text{離完備還多遠？}
}
$$

$$
\boxed{
\text{要補多少條件才能閉合？}
}
$$

$$
\boxed{
\text{目前唯一答案依賴多少 hidden injection？}
}
$$

$$
\boxed{
\text{撤掉多少支撐會重新分岔？}
}
$$

因此本文拒絕把所有問題壓成：

$$
\text{GAP}\in\{0,1\}.
$$

更成熟的表示是：

$$
\boxed{
\mathbf G_Q
=
\left(
N_Q,
\Delta_Q,
R_Q^*,
H_Q,
D_{\mathrm{comp}},
\kappa_Q,
D_{\mathrm{inj},Q},
m_Q,
\kappa_{\mathrm{sem}}
\right).
}
$$

這個向量不一定每次全部可計算。

但它迫使研究者回答：

> 我所說的「歧義很大」，到底是 branch 多、答案分得遠、prior 很分散、閉合很貴、還是答案對某個隱含假設極度敏感？

這是 SRBC 從語義哲學正式進入可測量研究的關鍵一步。

最重要的是，這套框架把「自然語言可能有 GAP」從一句合理但鬆散的批評，推進成：

$$
\boxed{
\text{一個可以建立下界、上界、距離、成本、敏感度與反例證書的研究對象。}
}
$$

因此到了 SRBC-06，我們不再需要只說：

> Monty Hall 原句可能有歧義。

我們可以改成：

$$
\boxed{
\text{給我原文本、查詢與 admissibility rule，我們直接測它。}
}
$$

---

# 參考與前置文件

## SRBC / SREG 內部前置

1. Neo.K with Aletheia. 《SRBC-01｜符號表徵邊界：符號、符號域與概念承載上下限》. EveMissLab, 2026.
2. Neo.K with Aletheia. 《SRBC-02｜語義完成空間：從單一表述到形式模型族》. EveMissLab, 2026.
3. Neo.K with Aletheia. 《SRBC-03｜查詢相對完備性：自然語言歧義的形式判準》. EveMissLab, 2026.
4. Neo.K with Aletheia. 《SRBC-04｜語義越界與隱含結構注入：量詞、策略、時序與因果的非法升格》. EveMissLab, 2026.
5. Neo.K with Aletheia. 《SREG-F03｜形式化壓縮與低歧義數學生成》. EveMissLab, 2026.
6. Neo.K. 《符號召喚定理與語言—真理同構性》. EveMissLab, 2026.
7. Neo.K with Aletheia. 《符號操作性與可構造空間：從結構再激活到表示系統擴展》. EveMissLab, 2026.

## 外部理論背景

8. Hausdorff, F. *Grundzüge der Mengenlehre*. 1914.
9. Shannon, C. E. "A Mathematical Theory of Communication." *Bell System Technical Journal*, 27, 379-423 and 623-656, 1948.
10. Kolmogorov, A. N., & Tikhomirov, V. M. "ε-Entropy and ε-Capacity of Sets in Functional Spaces." *Uspekhi Matematicheskikh Nauk*, 14(2), 3-86, 1959.
11. Cover, T. M., & Thomas, J. A. *Elements of Information Theory*. Wiley, 1991.
12. Villani, C. *Optimal Transport: Old and New*. Springer, 2009.
13. Tarski, A. *Logic, Semantics, Metamathematics*. Oxford University Press, 1956.
14. Reyle, U. "Dealing with Ambiguities by Underspecification: Construction, Representation and Deduction." *Journal of Semantics*, 10(2), 123-179, 1993.
15. Pearl, J. *Causality: Models, Reasoning, and Inference*. 2nd ed., Cambridge University Press, 2009.

---

# 版本註記

**v0.1 / 2026-09-23**

- 正式將 SRBC GAP 從布林判定提升成多層測度框架；
- 建立 query branch count $N_Q$ ；
- 建立 query ambiguity diameter $\Delta_Q$ ；
- 建立 minimal answer radius $R_Q^*$ ；
- 建立 query semantic entropy $H_Q$ ；
- 明確區分 branch count、diameter、entropy、distance、cost 與 debt；
- 建立 answer metric provenance；
- 建立 model distance $d_M$ 與 query-weighted model distance；
- 建立 semantic leverage 與 semantic condition number；
- 正式發展 minimal closure cost $\kappa_Q$ ；
- 建立 text / logic / empirical / compute closure cost vector；
- 建立 distance to completeness $D_{\mathrm{comp}}$ ；
- 建立 semantic closure curve；
- 證明固定 frame 下 answer diameter 對 constraint strengthening 單調不增；
- 建立 reopen jump；
- 建立 robust completeness margin $m_Q$ ；
- 建立 hidden injection debt $D_{\mathrm{inj},Q}$ ；
- 建立 lift sensitivity 與 answer-set Hausdorff distance；
- 建立 covering / packing number 接口；
- 提出 semantic box-dimension candidate，但不宣稱一般存在；
- 建立 minimal harmful injection set 與 collapse-inducing set；
- 建立 semantic collapse power；
- 建立 average ambiguity mass 與 quantile ambiguity width；
- 建立 semantic repair efficiency 與 clarification priority；
- 建立 query semantic entropy 的 expected information gain 接口；
- 區分 semantic / stochastic / epistemic uncertainty；
- 建立 GAP profile vector $\mathbf G_Q$ ；
- 建立 robustness frontier、semantic fragility 與 minimal semantic cut set；
- 建立 query-stable core 與 minimal query-stable core；
- 建立 over-specification / under-specification cost；
- 建立 GAP Measurement Certificate；
- 建立 infinite completion space 的上下界與 anytime measurement 方法；
- 建立 adversarial semantic search 與 minimal closure optimization 的對偶；
- 為 SRBC-06 Monty Hall Semantic Surgery 建立可直接實驗的測量介面。