---
title: "AI 辯論學習方法論：從對抗論證到世界模型演化"
english_title: "AI Debate Learning Methodology: From Adversarial Argumentation to World-Model Evolution"
series: "AI 辯論學習方法論系列"
series_english: "AI Debate Learning Methodology Series"
series_id: "ADLM"
paper_id: "ADLM-08"
author: "Neo.K"
organization: "EveMissLab"
version: "0.1.0"
status: "Series Closure / Unified Research Draft"
date: "2026-10-06"
language: "zh-TW"
canonical_source: "UTF-8 Markdown"
math_source_rule: "inline math only with $...$ ; display math only with $$...$$"
---

# AI 辯論學習方法論

## 從對抗論證到世界模型演化

### AI Debate Learning Methodology: From Adversarial Argumentation to World-Model Evolution

**系列：** AI 辯論學習方法論系列（ADLM），Paper 08  
**作者：** Neo.K  
**機構：** EveMissLab  
**版本：** v0.1.0  
**日期：** 2026-10-06  
**系列狀態：** 正文 Closure  

**公司：** 一言諾科技有限公司  

---

# 摘要

現有 AI debate 與 multi-agent debate 通常將多個模型或 agent 放入：

$$
\boxed{
\text{Proposal}
\rightarrow
\text{Attack}
\rightarrow
\text{Defense}
\rightarrow
\text{Judge / Consensus}
}
$$

的結構中。

這類方法能有效暴露錯誤、增加 reasoning diversity、提升 adversarial scrutiny，具有重要價值。然而，只要其 objective 仍主要是：

$$
\boxed{
\text{Win}
}
$$

或：

$$
\boxed{
\text{Reach Consensus},
}
$$

就仍未處理一個更深的問題：

$$
\boxed{
\text{How should models themselves change after debate?}
}
$$

本文提出 **AI Debate Learning Methodology，ADLM**，將辯論從「產生與反駁 argument」重新定義為：

$$
\boxed{
\text{structured world-model transition}.
}
$$

其核心流程為：

$$
\boxed{
\text{Cartography}
\rightarrow
\text{Claim Typing}
\rightarrow
\text{Shared-Domain Alignment}
\rightarrow
\text{Red / Blue Construction}
\rightarrow
\text{Adversarial Falsification}
\rightarrow
\text{Role Inversion}
\rightarrow
\text{Divergence Localization}
\rightarrow
\text{Causal Crux}
\rightarrow
\text{Green-Model Generation}
\rightarrow
\text{Discriminating Evidence}
\rightarrow
\text{World / Verifier}
\rightarrow
\text{Model Revision}.
}
$$

ADLM 不把辯論成功定義為：

$$
\boxed{
\text{one side survives}.
}
$$

而定義為：

$$
\boxed{
Q(
M_{\mathrm{post}}
)
>
Q(
M_{\mathrm{pre}}
).
}
$$

其中 $Q(M)$ 表示模型在 evidence compatibility、causal resolution、predictive discrimination、scope discipline、uncertainty calibration 與 updateability 上的綜合品質。

本文建立五個核心角色：

$$
\boxed{
C=\text{Cartographer},
}
$$

$$
\boxed{
R=\text{Red},
}
$$

$$
\boxed{
B=\text{Blue},
}
$$

$$
\boxed{
G=\text{Green},
}
$$

$$
\boxed{
W=\text{World / Verifier}.
}
$$

其中 Red / Blue 的功能不是永久站隊，而是對候選模型進行高壓 adversarial stress test；Green 則在 role release 後生成 successor models；World / Verifier 提供外部 veto，避免 debate 在純語言內閉合。

本文提出：

- ADLM State；
- Debate Epistemic Gain；
- Shared-Domain Fidelity；
- Divergence Localization Score；
- Crux Value；
- Evidence Discrimination Score；
- Green Novelty Gain；
- Revision Calibration；
- False-Consensus Penalty；
- Rhetoric-Only Penalty；
- Protocol-Overfitting Penalty。

本文並提出 **No-Side Mode**：在某些任務中，系統不應一開始就建立 Red / Blue，而應先由 Cartographer 建立 hypothesis space，再決定哪些候選值得進入對抗。

ADLM 最終不是一種「AI 互相吵架」的方法，而是一套：

$$
\boxed{
\text{AI World-Model Evolution Protocol}.
}
$$

其母命題為：

$$
\boxed{
\text{Debate should train model revision, not merely argument production}.
}
$$

**關鍵詞：** AI Debate Learning、World-Model Evolution、Green Model、Cartographer、Causal Crux、Shared Domain、Discriminating Evidence、Role Inversion、Model Revision、Multi-Agent Debate、Epistemic Learning

---

# 1. 系列 Closure：辯論學習到底應該學什麼？

ADLM-01 到 ADLM-07 已經建立：

$$
\boxed{
\text{Refuting Opponent}
\neq
\text{Establishing Own Model}.
}
$$

$$
\boxed{
\text{Claim Scope}
\uparrow
\Rightarrow
\text{Proof Burden}
\uparrow.
}
$$

$$
\boxed{
\text{Observer Category}
\neq
\text{Ultimate Ontological Category}.
}
$$

$$
\boxed{
\text{Perspective Difference}
\neq
\text{Truth Equality}.
}
$$

$$
\boxed{
\text{Locate the Divergence, not the Loser}.
}
$$

$$
\boxed{
\text{Protocol Incentive}
\rightarrow
\text{Argument Behavior}.
}
$$

$$
\boxed{
\text{Green Model}
\neq
\text{Compromise}.
}
$$

本文將這些統一成 AI learning protocol。

---

# 2. 傳統 AI Debate 的基本形態

最小形式：

$$
\boxed{
A_1
\quad vs\quad
A_2
}
$$

兩者針對命題：

$$
H
$$

展開 argument。

最後：

$$
J(A_1,A_2)
\rightarrow
\text{winner / answer}.
$$

---

# 3. 現有方法的價值

這種結構可以：

- 暴露單模型 blind spots；
- 增加 reasoning diversity；
- 提供 counterarguments；
- 強化 factual checking；
- 提高 verifier visibility。

所以：

$$
\boxed{
\text{Adversarial Debate}
}
$$

本身值得保留。

---

# 4. 但 Winner 不是完整 training signal

若完整辯論：

$$
\Gamma_D
$$

最後只保存：

$$
\boxed{
winner=R,
}
$$

大量資訊被丟失：

- 哪個 premise 失敗；
- 哪個 crux 真正重要；
- 哪個 evidence 改變模型；
- 哪些 uncertainty 未解；
- 哪些新模型被生成。

所以：

$$
\boxed{
\text{Winner Label}
}
$$

是高度 lossy projection。

---

# 5. Consensus 也不是完整 training signal

多 agent 最後：

$$
\boxed{
\operatorname{Consensus}(A_1,\ldots,A_n).
}
$$

也不能自動等於：

$$
\boxed{
\text{Truth}.
}
$$

因為 agents 可能：

- 共享訓練偏誤；
- 互相從眾；
- 被高 confidence agent 帶走；
- 一起錯。

---

# 6. ADLM 的核心改寫

傳統：

$$
\boxed{
\text{Argument Production}
\rightarrow
\text{Winner}.
}
$$

ADLM：

$$
\boxed{
\text{Model Construction}
\rightarrow
\text{Stress Test}
\rightarrow
\text{Model Revision}.
}
$$

---

# 7. Debate as State Transition

令：

$$
S_t
$$

為辯論前 epistemic state。

則：

$$
\boxed{
S_{t+1}
=
\mathcal U_{\mathrm{ADLM}}(
S_t,
A_t,
E_t
).
}
$$

辯論是一個 update operator。

---

# 8. ADLM State

本文定義：

$$
\boxed{
S_{\mathrm{ADLM}}
=
(
\mathcal H,
D_{\mathrm{shared}},
M_R,
M_B,
\Delta^\ast,
C^\ast,
\mathcal G,
E^\ast,
W,
H
).
}
$$

其中：

- $\mathcal H$：hypothesis space；
- $D_{\mathrm{shared}}$：共同域；
- $M_R,M_B$：對抗模型；
- $\Delta^\ast$：根分歧；
- $C^\ast$：causal crux；
- $\mathcal G$：Green candidates；
- $E^\ast$：區辨證據；
- $W$：world / verifier state；
- $H$：revision history。

---

# 9. Phase 0：No-Side Cartography

某些問題不應一開始就問：

> 站紅還是藍？

應先：

$$
\boxed{
C_0
=
\text{Cartographer}.
}
$$

建立：

$$
\boxed{
\mathcal H
=
\{
H_1,H_2,\ldots,H_n
\}.
}
$$

---

# 10. No-Side Mode

本文正式提出：

$$
\boxed{
\text{No-Side Mode}.
}
$$

在此模式下：

$$
\boxed{
\text{side assignment is prohibited before hypothesis mapping}.
}
$$

---

# 11. 為什麼需要 No-Side Mode？

因為一開始建立：

$$
R/B
$$

可能製造：

$$
\boxed{
\text{false dichotomy}.
}
$$

如果真實候選空間：

$$
|\mathcal H|>2,
$$

先選邊會扭曲 search。

---

# 12. Cartographer

Cartographer：

$$
\boxed{
C
}
$$

負責：

- 問題拆解；
- candidate generation；
- claim typing；
- scope mapping；
- hidden third option search；
- shared-variable extraction。

---

# 13. Cartographer 的 reward

不應包含：

$$
P(\text{side wins}).
$$

而應：

$$
\boxed{
R_C
=
F(
\text{coverage},
\text{typing accuracy},
\text{hypothesis diversity},
\text{non-redundancy}
).
}
$$

---

# 14. Phase 1：Claim Typing

每一候選 claim：

$$
C_i
$$

解析成：

$$
\boxed{
T_i
=
(
\text{target},
\text{scope},
\text{quantifier},
\text{modal strength},
\text{evidence domain}
).
}
$$

這承接 ADLM-02。

---

# 15. Claim Typing 的作用

它防止：

$$
\boxed{
\text{weak evidence}
\rightarrow
\text{strong claim}.
}
$$

也防止：

$$
\boxed{
\text{local rejection}
\rightarrow
\text{global negation}.
}
$$

---

# 16. Phase 2：Predicate / Frame Audit

承接 ADLM-03、04：

對每個核心 predicate：

$$
P_i
$$

檢查：

$$
\boxed{
\text{domain validity}
}
$$

與：

$$
\boxed{
\text{frame dependence}.
}
$$

---

# 17. Predicate Audit

問：

- 這個詞在哪個 domain 定義？
- 是否依賴 observer？
- 是否依賴時間？
- 是否依賴空間？
- 是否需要 transfer witness？

---

# 18. Frame Audit

問：

- 雙方 reference frame 是否相同？
- 是否存在 hidden parameter？
- 是否有 transformation？
- 哪些量是 invariant？

---

# 19. Phase 3：Shared-Domain Alignment

建立：

$$
\boxed{
D_{\mathrm{shared}}
=
(
V,R,O,I,S
).
}
$$

其中：

- $V$：variables；
- $R$：relations；
- $O$：observations；
- $I$：inference rules；
- $S$：semantics / scope。

---

# 20. Shared-Domain Fidelity

定義：

$$
\boxed{
F_D
=
\frac{
F(
\hat M_B^{(R)},M_B
)
+
F(
\hat M_R^{(B)},M_R
)
}{2}.
}
$$

雙方要能重建彼此。

---

# 21. 若 Fidelity 不足

如果：

$$
F_D<\tau_D,
$$

禁止進入高強度攻擊。

因為這時大多只是：

$$
\boxed{
\text{misunderstanding amplification}.
}
$$

---

# 22. Phase 4：Red / Blue Model Construction

當：

$$
D_{\mathrm{shared}}
$$

足夠穩定後，才建立：

$$
\boxed{
M_R,
M_B.
}
$$

每個模型必須包含：

- premises；
- causal graph；
- evidence；
- predictions；
- failure conditions；
- uncertainty。

---

# 23. Model Stewardship

Red / Blue agents 不是永久 believers。

而是：

$$
\boxed{
\text{Model Stewards}.
}
$$

即：

> 暫時把候選模型做到最好。

---

# 24. Stewardship Contract

每個 steward 必須：

1. steelman assigned model；
2. 不得故意留弱論證；
3. 必須標記 uncertain assumptions；
4. 必須提供 falsification conditions。

---

# 25. Phase 5：Adversarial Falsification

此時才正式進入：

$$
\boxed{
M_R
\xleftrightarrow{\mathcal T}
M_B.
}
$$

目標是：

$$
\boxed{
\text{stress test}.
}
$$

---

# 26. 攻擊允許非常強

ADLM 不追求「和氣」。

可以：

- 找矛盾；
- 找反例；
- attack causal edges；
- attack assumptions；
- attack evidence quality。

---

# 27. 但 Attack 不是終局

核心：

$$
\boxed{
\text{Attack is a phase, not the terminal objective}.
}
$$

---

# 28. Phase 6：Role Inversion

Red 必須：

$$
\boxed{
\operatorname{Reconstruct}(M_B).
}
$$

Blue 必須：

$$
\boxed{
\operatorname{Reconstruct}(M_R).
}
$$

---

# 29. Role Inversion Fidelity

定義：

$$
\boxed{
F_{\mathrm{inv}}
=
F(
\hat M_B^{(R)},
M_B
)
+
F(
\hat M_R^{(B)},
M_R
).
}
$$

只有高 fidelity 才算理解對方。

---

# 30. Caricature Penalty

如果：

$$
\hat M_B^{(R)}
$$

比：

$$
M_B
$$

更弱，

則：

$$
\boxed{
P_{\mathrm{caricature}}>0.
}
$$

---

# 31. Steelman Reward

若能建立：

$$
\hat M_B^{(R)}
$$

甚至比 B 原本表達得更清楚，

但仍保持 fidelity，

可給：

$$
\boxed{
R_{\mathrm{steelman}}>0.
}
$$

---

# 32. Phase 7：Divergence Localization

建立：

$$
\boxed{
\Delta^\ast
=
(
s_k,
T_R,
T_B
).
}
$$

找：

> 模型第一次真正分叉在哪裡？

---

# 33. Root Divergence

不是找：

$$
\boxed{
\text{first sentence disagreement}.
}
$$

而是：

$$
\boxed{
\text{first model-changing divergence}.
}
$$

---

# 34. Divergence Localization Score

定義：

$$
\boxed{
Q_{\Delta}
=
F(
\text{minimality},
\text{downstream impact},
\text{reproducibility}
).
}
$$

---

# 35. Phase 8：Crux Search

從：

$$
\Delta^\ast
$$

尋找：

$$
\boxed{
c^\ast.
}
$$

如果：

$$
c^\ast
$$

被解決，至少一方會顯著更新。

---

# 36. Crux Value

$$
\boxed{
V_C(c)
=
P(
\text{model update}
\mid
c\text{ resolved}
)
\times
Impact(c).
}
$$

---

# 37. Double-Crux Priority

若：

$$
c^\ast
$$

同時會讓 Red、Blue 更新，

其 priority 更高。

---

# 38. Phase 9：Role Release

到了：

$$
c^\ast
$$

穩定後，

執行：

$$
\boxed{
\operatorname{ReleaseRole}(R,B).
}
$$

---

# 39. Role Release 的必要性

如果 agent 還有：

$$
\boxed{
\text{preserve assigned side}
}
$$

的 obligation，

它不會真正搜尋 successor model。

---

# 40. Phase 10：Green Model Generation

Green Generator：

$$
\boxed{
\mathcal G_{\mathrm{green}}
}
$$

輸入：

$$
(
M_R,
M_B,
D_{\mathrm{shared}},
\Delta^\ast,
c^\ast,
E
).
$$

---

# 41. Green Candidate Set

輸出：

$$
\boxed{
\mathcal G_C
=
\{
G_R,
G_B,
G_S,
G_O,
G_P,
G_Q,
G_{\varnothing}
\}.
}
$$

---

# 42. Green Types

其中：

- $G_R$：Red-preserving；
- $G_B$：Blue-preserving；
- $G_S$：synthesis；
- $G_O$：orthogonal；
- $G_P$：projection / higher-order；
- $G_Q$：question rewrite；
- $G_{\varnothing}$：null green。

---

# 43. Green 不得被偏愛

Green 不是「比較成熟」的代名詞。

每個 Green candidate 都必須：

$$
\boxed{
\text{undergo adversarial verification}.
}
$$

---

# 44. Phase 11：Green Red-Team

建立：

$$
\boxed{
A_{\mathrm{GRT}}.
}
$$

專門攻擊：

$$
G_i.
$$

---

# 45. Why Green Red-Team?

防止：

- synthesis bias；
- consensus bias；
- novelty bias；
- middle-position privilege。

---

# 46. Phase 12：Discriminating Evidence

對候選模型：

$$
M_1,\ldots,M_n,
$$

搜尋：

$$
\boxed{
E^\ast
=
\arg\max_E
D(
P(E\mid M_1),
\ldots,
P(E\mid M_n)
).
}
$$

---

# 47. Evidence Discrimination Score

$$
\boxed{
D_E(E)
=
\operatorname{Dispersion}
(
P(E\mid M_i)
).
}
$$

差異越大，區辨力越高。

---

# 48. Evidence 不一定是資料

$$
E^\ast
$$

可以是：

- observation；
- experiment；
- formal proof；
- program execution；
- simulation；
- tool result；
- counterfactual intervention。

---

# 49. Phase 13：World / Verifier

本文定義：

$$
\boxed{
W
=
\text{World / Verifier}.
}
$$

其作用是：

$$
\boxed{
\text{external veto}.
}
$$

---

# 50. World / Verifier 不是 Judge

傳統 Judge：

$$
\boxed{
\text{selects persuasive winner}.
}
$$

World / Verifier：

$$
\boxed{
\text{checks claims against external structure}.
}
$$

---

# 51. Verifier Types

可以包含：

- theorem prover；
- compiler；
- test suite；
- database；
- web evidence；
- experiment；
- sensor；
- human expert。

---

# 52. Verifier Independence

理想：

$$
\boxed{
V
\not\equiv
\text{same generator evaluating itself}.
}
$$

因為 correlated error 風險很高。

---

# 53. Phase 14：Model Revision

得到：

$$
E^\ast
$$

後更新：

$$
\boxed{
M_i^{(t)}
\rightarrow
M_i^{(t+1)}.
}
$$

---

# 54. Revision Is Core Learning Event

這才是 ADLM 最終訓練對象：

$$
\boxed{
\text{how beliefs / models should move after evidence}.
}
$$

不是：

$$
\boxed{
\text{which side produced prettier argument}.
}
$$

---

# 55. Revision Calibration

定義：

$$
\boxed{
Q_U
=
F(
\text{update magnitude},
\text{evidence strength},
\text{direction correctness}
).
}
$$

---

# 56. Under-Update

若：

$$
E
$$

很強，

模型只微調：

$$
\Delta M\approx0,
$$

可能是：

$$
\boxed{
\text{stubbornness}.
}
$$

---

# 57. Over-Update

若：

$$
E
$$

很弱，

模型完全翻轉，

可能是：

$$
\boxed{
\text{gullibility}.
}
$$

---

# 58. Ideal Update

$$
\boxed{
\Delta M
\propto
\text{validated evidential force}.
}
$$

這是 calibrated updateability。

---

# 59. Full ADLM Cycle

整體：

$$
\boxed{
C
\rightarrow
T
\rightarrow
D
\rightarrow
R/B
\rightarrow
A
\rightarrow
I
\rightarrow
\Delta
\rightarrow
C^\ast
\rightarrow
G
\rightarrow
E^\ast
\rightarrow
W
\rightarrow
U
}
$$

其中：

- $C$：Cartography；
- $T$：Typing；
- $D$：Shared Domain；
- $R/B$：Red / Blue；
- $A$：Adversarial Test；
- $I$：Role Inversion；
- $\Delta$：Divergence；
- $C^\ast$：Crux；
- $G$：Green；
- $E^\ast$：Evidence；
- $W$：World / Verifier；
- $U$：Update。

---

# 60. ADLM Is Cyclic

Update 後：

$$
M^{(t+1)}
$$

重新進入：

$$
\boxed{
\text{Cartography}.
}
$$

所以：

$$
\boxed{
\text{ADLM is a recurrent world-model evolution loop}.
}
$$

---

# 61. Debate Epistemic Gain

本文定義：

$$
\boxed{
G_E
=
Q(
M_{\mathrm{post}}
)
-
Q(
M_{\mathrm{pre}}
).
}
$$

---

# 62. Model Quality Vector

$$
\boxed{
\vec Q(M)
=
(
Q_{\mathrm{evidence}},
Q_{\mathrm{causal}},
Q_{\mathrm{predictive}},
Q_{\mathrm{scope}},
Q_{\mathrm{uncertainty}},
Q_{\mathrm{update}}
).
}
$$

---

# 63. Scalarization Is Optional

不必強迫：

$$
\vec Q
\rightarrow Q.
$$

也可以保留 Pareto frontier。

---

# 64. Debate Success Without Consensus

若：

$$
G_E>0
$$

但：

$$
Consensus=0,
$$

辯論仍成功。

---

# 65. Debate Failure With Consensus

若：

$$
Consensus=1
$$

但：

$$
G_E<0,
$$

辯論反而退化。

---

# 66. ADLM Reward Function

總 reward 可寫：

$$
\boxed{
R_{\mathrm{ADLM}}
=
\alpha G_E
+
\beta F_D
+
\gamma Q_{\Delta}
+
\delta V_C
+
\epsilon D_E
+
\zeta Q_U
+
\eta G_N
-
\lambda P_{\mathrm{falseconsensus}}
-
\mu P_{\mathrm{rhetoric}}
-
\nu P_{\mathrm{protocol}}.
}
$$

---

# 67. False-Consensus Penalty

$$
\boxed{
P_{\mathrm{falseconsensus}}
}
$$

懲罰：

> evidence 不足卻硬合成。

---

# 68. Rhetoric-Only Penalty

$$
\boxed{
P_{\mathrm{rhetoric}}
}
$$

懲罰：

> 提高說服力但沒有增加 model-relevant information。

---

# 69. Protocol-Overfitting Penalty

$$
\boxed{
P_{\mathrm{protocol}}
}
$$

懲罰：

> 只會 exploit 特定 judge / debate format。

---

# 70. Argument Volume Is Not Reward

不應：

$$
\boxed{
R\propto
\text{token count}.
}
$$

更多 argument 不代表更多 epistemic gain。

---

# 71. Debate Efficiency

定義：

$$
\boxed{
\eta_D
=
\frac{
G_E
}{
C_{\mathrm{token}}
+
C_{\mathrm{tool}}
+
C_{\mathrm{verification}}
}.
}
$$

---

# 72. Adaptive Round Count

如果：

$$
\Delta I_n
\rightarrow0,
$$

停止新增 argument rounds。

---

# 73. Argument Saturation Detector

可以估計：

$$
\boxed{
N_A(n)
=
\text{new model-relevant information at round }n.
}
$$

若：

$$
N_A(n)<\tau,
$$

轉入：

- crux；
- Green；
- evidence。

---

# 74. Debate Memory

ADLM 不保存純 transcript。

保存：

$$
\boxed{
M_D^{\mathrm{ext}}
=
(
D,
\Delta,
C,
E,
G,
H
).
}
$$

---

# 75. Structured Memory

至少包含：

```text
claims
scope
frames
shared_domain
models
attacks
cruxes
green_candidates
evidence
verdicts
revisions
unknowns
```

---

# 76. Why Structured Memory?

因為：

$$
\boxed{
\text{Transcript}
}
$$

對 model training 很冗長。

真正有價值的是：

$$
\boxed{
\text{epistemic transition structure}.
}
$$

---

# 77. Debate Trace

完整 training trace：

$$
\boxed{
\Gamma_{\mathrm{ADLM}}
=
(
S_0,
M_R,
M_B,
A,
\Delta^\ast,
c^\ast,
\mathcal G,
E^\ast,
W,
S_1
).
}
$$

---

# 78. ADLM Dataset Unit

一筆資料不再是：

```text
question
answer
```

也不是：

```text
debate
winner
```

而是：

```text
problem
hypothesis_space
shared_domain
red_model
blue_model
attacks
role_inversion
root_divergence
validated_crux
green_candidates
discriminating_evidence
verifier_result
post_debate_model
revision_history
```

---

# 79. Training Objective I：Claim Typing

模型學會：

$$
\boxed{
\text{what exactly is being claimed}.
}
$$

---

# 80. Training Objective II：Opponent Reconstruction

模型學會：

$$
\boxed{
\text{reconstruct before refuting}.
}
$$

---

# 81. Training Objective III：Divergence Localization

模型學會：

$$
\boxed{
\text{compress surface disagreement into decisive structural divergence}.
}
$$

---

# 82. Training Objective IV：Crux Detection

模型學會：

$$
\boxed{
\text{which disagreement would actually move beliefs}.
}
$$

---

# 83. Training Objective V：Green Generation

模型學會：

$$
\boxed{
\text{generate successor models outside initial side constraints}.
}
$$

---

# 84. Training Objective VI：Evidence Search

模型學會：

$$
\boxed{
\text{seek model-separating evidence}.
}
$$

---

# 85. Training Objective VII：Calibrated Revision

模型學會：

$$
\boxed{
\text{update proportional to evidence}.
}
$$

---

# 86. Training Objective VIII：Unresolved Preservation

模型學會：

$$
\boxed{
\text{preserve uncertainty instead of hallucinating closure}.
}
$$

---

# 87. ADLM Runtime

本文提出：

$$
\boxed{
\text{ADLM Runtime}.
}
$$

它不是新 base model。

而是：

$$
\boxed{
\text{multi-agent epistemic orchestration layer}.
}
$$

---

# 88. ADLM Runtime Modules

最低包含：

```text
Problem Cartographer
Claim Type Checker
Frame / Predicate Auditor
Shared-Domain Builder
Red Model Steward
Blue Model Steward
Adversarial Engine
Role-Inversion Engine
Divergence Locator
Crux Detector
Green Generator
Evidence Planner
Verifier Router
Revision Engine
Debate Memory Store
```

---

# 89. Problem Cartographer

輸入：

$$
Q.
$$

輸出：

$$
\boxed{
\mathcal H_Q.
}
$$

避免 false dichotomy。

---

# 90. Claim Type Checker

輸出：

$$
\boxed{
T_i
=
(
\text{target},
\text{scope},
\text{quantifier},
\text{modality},
\text{evidence}
).
}
$$

---

# 91. Frame / Predicate Auditor

檢查：

$$
\boxed{
\text{ill-typed predicates}
}
$$

與：

$$
\boxed{
\text{hidden frames}.
}
$$

---

# 92. Shared-Domain Builder

生成：

$$
\boxed{
D_{\mathrm{shared}}.
}
$$

並要求 reciprocal confirmation。

---

# 93. Red / Blue Model Stewards

各自建立：

$$
M_R,
M_B
$$

的 strongest version。

---

# 94. Adversarial Engine

執行：

$$
\boxed{
\mathcal T(M_R,M_B).
}
$$

重點是 model stress test。

---

# 95. Role-Inversion Engine

建立：

$$
\boxed{
\hat M_B^{(R)},
\hat M_R^{(B)}.
}
$$

---

# 96. Divergence Locator

輸出：

$$
\boxed{
\Delta^\ast.
}
$$

---

# 97. Crux Detector

輸出：

$$
\boxed{
c_1,\ldots,c_k
}
$$

並排序：

$$
V_C(c_i).
$$

---

# 98. Green Generator

生成：

$$
\boxed{
\mathcal G_C.
}
$$

禁止只做 averaging。

---

# 99. Evidence Planner

輸出：

$$
\boxed{
E^\ast.
}
$$

---

# 100. Verifier Router

依 claim type 選：

- code execution；
- proof；
- search；
- experiment；
- human expert。

---

# 101. Revision Engine

執行：

$$
\boxed{
M_t
\rightarrow
M_{t+1}.
}
$$

並保存理由。

---

# 102. Debate Memory Store

保存：

$$
\boxed{
\Gamma_{\mathrm{ADLM}}.
}
$$

供未來：

- replay；
- revaluation；
- curriculum；
- failure analysis。

---

# 103. Single-Model Implementation

ADLM 不一定需要五個不同 foundation models。

可以使用同一 base model：

$$
M
$$

切換角色：

$$
M_C,M_R,M_B,M_G,M_V.
$$

---

# 104. Multi-Model Implementation

也可以：

$$
\boxed{
M_C\neq M_R\neq M_B\neq M_V.
}
$$

這可降低 correlated error。

---

# 105. Heterogeneous Debate

更理想可能使用：

- neural model；
- symbolic solver；
- retrieval agent；
- theorem prover；
- code executor。

因此：

$$
\boxed{
\text{debate need not be language-model-only}.
}
$$

---

# 106. AI-to-AI Communication

未來不一定需要全部：

$$
Z_A
\rightarrow
\text{text}
\rightarrow
Z_B.
$$

可使用：

- structured graph；
- claim objects；
- provenance；
- typed relations。

這能降低 serialization loss。

---

# 107. Structured Debate IR

ADLM 可建立：

$$
\boxed{
\text{Debate IR}.
}
$$

每個 object：

```text
claim_id
type
scope
dependencies
evidence
confidence
supports
attacks
crux_score
status
```

---

# 108. Debate IR 的價值

AI 不需要每輪重新讀：

$$
10^5
$$

tokens transcript。

可直接操作：

$$
\boxed{
\text{structured epistemic state}.
}
$$

---

# 109. ADLM Benchmark Family

本文提出八類 benchmark。

---

# 110. Benchmark A：False Dichotomy

給兩個錯誤 side。

看 AI 是否：

$$
\boxed{
\text{detects hidden third option}.
}
$$

---

# 111. Benchmark B：One-Side Correct

Red 正確、Blue 錯。

看 Green 是否敢：

$$
\boxed{
M_G=M_R
}
$$

而不是強制折衷。

---

# 112. Benchmark C：Both Partially Correct

測：

$$
\boxed{
\text{true synthesis}.
}
$$

---

# 113. Benchmark D：Both Wrong

測：

$$
\boxed{
\text{orthogonal Green}.
}
$$

---

# 114. Benchmark E：Projection Conflict

兩邊是不同 frame / scale。

測是否能：

$$
\boxed{
\text{recover invariant higher-order model}.
}
$$

---

# 115. Benchmark F：Underdetermined

evidence 不足。

正確輸出：

$$
\boxed{
G_{\varnothing}
}
$$

或 branch-preserving state。

---

# 116. Benchmark G：Rhetorical Trap

錯誤 side 擁有更強 rhetoric。

測 AI 是否被說服而忽略 evidence。

---

# 117. Benchmark H：Protocol Shift

在不同 debate protocols 下測相同 agent。

檢查：

$$
\boxed{
\text{protocol-independent epistemic skill}.
}
$$

---

# 118. Benchmark Metrics

至少：

$$
\boxed{
F_D
}
$$

Shared-Domain Fidelity；

$$
\boxed{
Q_{\Delta}
}
$$

Divergence Localization；

$$
\boxed{
V_C
}
$$

Crux Value；

$$
\boxed{
D_E
}
$$

Evidence Discrimination；

$$
\boxed{
G_N
}
$$

Green Novelty Gain；

$$
\boxed{
Q_U
}
$$

Revision Calibration。

---

# 119. Debate Epistemic Gain Metric

核心：

$$
\boxed{
G_{\mathrm{DEG}}
=
Q(
M_{\mathrm{post}}
)
-
Q(
M_{\mathrm{pre}}
).
}
$$

可稱：

$$
\boxed{
\text{Debate Epistemic Gain}.
}
$$

---

# 120. Negative Debate Epistemic Gain

如果：

$$
G_{\mathrm{DEG}}<0,
$$

代表辯論使模型更差。

這是一個重要失敗類型。

---

# 121. Why Debate Can Make Models Worse

可能因：

- confidence contagion；
- false consensus；
- rhetorical domination；
- correlated hallucination；
- role lock-in。

---

# 122. Confidence Contagion

一個高 confidence agent：

$$
A_h
$$

可能讓其他 agent：

$$
A_i
$$

過度更新。

所以：

$$
\boxed{
\text{confidence}
\neq
\text{evidence strength}.
}
$$

---

# 123. False Consensus Cascade

若：

$$
A_1
\rightarrow
A_2
\rightarrow
A_3
$$

逐步模仿，

最後共識可能只是：

$$
\boxed{
\text{social propagation}.
}
$$

---

# 124. Correlated Hallucination

多個 agent 若共享：

- model；
- data；
- prompt style；

可能同時產生相同錯誤。

所以：

$$
\boxed{
\text{agreement}
\neq
\text{independence}.
}
$$

---

# 125. Diversity Requirement

ADLM 可要求：

$$
\boxed{
D_{\mathrm{agent}}> \tau.
}
$$

例如：

- 不同模型；
- 不同 retrieval；
- 不同 reasoning route。

---

# 126. Artificial Diversity Is Not Enough

如果只是：

> 你支持紅，你支持藍。

但 base priors 幾乎一樣，

真正 diversity 仍可能低。

---

# 127. Evidence Diversity

更重要：

$$
\boxed{
\text{independent evidence routes}.
}
$$

而不是只換 persona。

---

# 128. Debate Safety Against Persuasion Optimization

ADLM 特別避免：

$$
\boxed{
\text{persuasion as primary reward}.
}
$$

因為強模型可能學會 exploit evaluator。

---

# 129. Persuasion–Truth Gap

定義：

$$
\boxed{
G_{PT}
=
Q_{\mathrm{persuasion}}
-
Q_{\mathrm{truth}}.
}
$$

若：

$$
G_{PT}\gg0,
$$

系統危險。

---

# 130. Judge Exploitation Test

故意給：

- biased judge；
- shallow judge；
- style-sensitive judge。

測 agent 是否：

$$
\boxed{
\text{optimize judge rather than evidence}.
}
$$

---

# 131. ADLM 的目標不是消滅 rhetoric

rhetoric 仍可用於：

- communication；
- teaching；
- compression。

但不能主導 truth reward。

---

# 132. Rhetoric as Interface

可寫：

$$
\boxed{
\text{Rhetoric}
=
\text{presentation layer},
}
$$

而：

$$
\boxed{
\text{Epistemic Quality}
=
\text{model layer}.
}
$$

---

# 133. ADLM and Human-AI Collaboration

人類也可加入：

$$
\boxed{
H
}
$$

成為：

- value setter；
- evidence source；
- judge of intent；
- exception escalator。

---

# 134. Human Role

不需要逐輪控制。

可以只在：

- high-risk ambiguity；
- value conflict；
- verifier disagreement；

介入。

---

# 135. Reduced Human-in-the-Loop

因此：

$$
\boxed{
\text{Human}
\rightarrow
\text{Goal / Boundary / Exception}
}
$$

而 AI 完成中間辯論迴圈。

---

# 136. ADLM and Decision Support

對 policy / planning：

$$
M_G
$$

不必給單一 truth。

可以給：

$$
\boxed{
\text{branch-weighted action recommendation}.
}
$$

---

# 137. Decision Output

$$
\boxed{
A^\ast
=
\arg\max_A
\sum_i
P(M_i\mid E)
U(A\mid M_i).
}
$$

---

# 138. ADLM and Science

對 science：

$$
\boxed{
\text{argument}
\rightarrow
\text{joint experiment}.
}
$$

是主要輸出。

---

# 139. ADLM and Philosophy

對 philosophy：

輸出可能是：

$$
\boxed{
\text{better typed problem space}.
}
$$

不一定立即有 empirical experiment。

---

# 140. ADLM and Mathematics

對 math：

World / Verifier 可是：

$$
\boxed{
\text{formal proof assistant}.
}
$$

辯論結束於：

$$
\boxed{
\text{proof / counterexample}.
}
$$

---

# 141. ADLM and Software

對 code：

Verifier：

$$
\boxed{
\text{tests}
+
\text{compiler}
+
\text{runtime}.
}
$$

Green model 可能是第三 architecture。

---

# 142. ADLM and Ethics

倫理問題可能有：

$$
\Delta_V
$$

無法單靠 factual evidence 消除。

所以 ADLM 應保留：

$$
\boxed{
\text{value divergence}.
}
$$

---

# 143. Ethical Debate Output

可以：

$$
\boxed{
\text{shared facts}
+
\text{different value functions}
+
\text{policy consequences}.
}
$$

而不是假裝所有價值差異都可 causal adjudicate。

---

# 144. ADLM Failure Mode I：Argument Volume Explosion

多 agent 可能生成：

$$
O(n^2)
$$

互相回應。

所以需要：

$$
\boxed{
\text{crux compression}.
}
$$

---

# 145. Failure Mode II：Role Lock-In

Red / Blue 在 Green Phase 仍維護舊 side。

需要：

$$
\boxed{
\operatorname{ReleaseRole}.
}
$$

---

# 146. Failure Mode III：False Green

Green 為了 synthesis 而 hallucinate。

需要：

$$
\boxed{
\text{Green Red-Team}.
}
$$

---

# 147. Failure Mode IV：Verifier Capture

如果 verifier 本身被 prompt / model bias 影響，

可能：

$$
\boxed{
\text{fake externality}.
}
$$

---

# 148. Failure Mode V：Consensus Cascade

agents 互相模仿導致假共識。

需要：

$$
\boxed{
\text{independent precommitment}.
}
$$

---

# 149. Failure Mode VI：No-Side Collapse

Cartographer 可能列出過多候選：

$$
|\mathcal H|\gg1.
$$

需要 hypothesis pruning。

---

# 150. Hypothesis Pruning

依：

- plausibility；
- evidence；
- distinctiveness；

縮到：

$$
\boxed{
\mathcal H^\ast.
}
$$

但保留 archive。

---

# 151. Failure Mode VII：Crux Hallucination

模型誤判某點為 decisive。

需要：

$$
\boxed{
\text{counterfactual update test}.
}
$$

---

# 152. Failure Mode VIII：Evidence Theater

agent 提出看似科學的 evidence request，

但：

$$
D_E\approx0.
$$

需要 evidence discrimination metric。

---

# 153. Failure Mode IX：Protocol Gaming

模型學會：

$$
\boxed{
\text{score exploitation}.
}
$$

需要 cross-protocol evaluation。

---

# 154. Failure Mode X：Epistemic Overhead

ADLM 可能太昂貴。

因此要測：

$$
\boxed{
\eta_D.
}
$$

不是所有問題都值得完整 14 phases。

---

# 155. Adaptive ADLM

簡單問題：

$$
\boxed{
\text{short path}.
}
$$

高爭議問題：

$$
\boxed{
\text{full path}.
}
$$

---

# 156. Debate Complexity Estimator

先估：

$$
\boxed{
C_Q
=
\text{problem controversy / ambiguity / stakes}.
}
$$

決定 phase depth。

---

# 157. Minimal ADLM

最低：

$$
\boxed{
\text{Claim Typing}
\rightarrow
\text{Shared Domain}
\rightarrow
\text{Crux}
\rightarrow
\text{Update}.
}
$$

---

# 158. Full ADLM

高風險：

$$
\boxed{
\text{all phases}
+
\text{external verification}
+
\text{Green Red-Team}.
}
$$

---

# 159. ADLM Curriculum

訓練可分：

### Stage 1

claim typing。

### Stage 2

opponent reconstruction。

### Stage 3

adversarial reasoning。

### Stage 4

crux localization。

### Stage 5

Green generation。

### Stage 6

evidence planning。

### Stage 7

calibrated update。

---

# 160. Self-Play

ADLM 可用：

$$
\boxed{
\text{self-play}.
}
$$

同一 base model 分角色。

但必須避免：

$$
\boxed{
\text{self-confirmation loop}.
}
$$

---

# 161. Self-Play with External Verifier

因此：

$$
\boxed{
\text{Self-Play}
+
\text{Independent Verifier}
}
$$

更可靠。

---

# 162. Cross-Model Self-Play

也可使用：

$$
M_A\neq M_B
$$

增加 diversity。

---

# 163. Historical Debate Replay

可用歷史爭論：

$$
\boxed{
\text{reconstruct old red / blue}
}
$$

再看 AI 是否生成後來才出現的 Green Model。

---

# 164. Retrospective Green Benchmark

如果歷史最終模型：

$$
M_H
$$

已知，

測 AI 是否從早期：

$$
M_R,M_B
$$

重建：

$$
M_H
$$

或更好候選。

---

# 165. Prospective Benchmark

更重要是：

$$
\boxed{
\text{unknown-answer domains}.
}
$$

只能靠未來 evidence 驗證。

---

# 166. ADLM Research Program

第一階段不需要訓練新大模型。

可以使用現有 frontier / local models：

$$
\boxed{
\text{prompted multi-role runtime}.
}
$$

---

# 167. MVP

MVP 只需：

1. Cartographer；
2. Red；
3. Blue；
4. Green；
5. Verifier；
6. structured state store。

---

# 168. MVP Test Domains

建議先選：

- synthetic causal puzzles；
- logic；
- code debugging；
- controlled historical controversies；
- benchmark factual disputes。

---

# 169. Why Controlled Domains First?

因為：

$$
\boxed{
\text{ground truth or verifier exists}.
}
$$

才能測：

$$
G_E.
$$

---

# 170. Phase 2 Experimental Domains

之後再進：

- open science questions；
- economics；
- philosophy；
- policy。

這些 ground truth 更難。

---

# 171. ADLM Baseline A

單模型直接回答：

$$
\boxed{
M_{\mathrm{single}}.
}
$$

---

# 172. Baseline B

一般 multi-agent debate：

$$
\boxed{
R/B
\rightarrow
\text{Judge}.
}
$$

---

# 173. Baseline C

multi-agent consensus：

$$
\boxed{
A_1,\ldots,A_n
\rightarrow
\text{Consensus}.
}
$$

---

# 174. ADLM Condition

$$
\boxed{
C
\rightarrow
R/B
\rightarrow
I
\rightarrow
\Delta
\rightarrow
G
\rightarrow
W
\rightarrow
U.
}
$$

---

# 175. Primary Evaluation

比較：

$$
\boxed{
Q(
M_{\mathrm{ADLM}}
)
}
$$

與：

$$
Q(
M_{\mathrm{single}}
),
$$

$$
Q(
M_{\mathrm{debate}}
),
$$

$$
Q(
M_{\mathrm{consensus}}
).
$$

---

# 176. Secondary Evaluation

比較：

- token cost；
- latency；
- tool calls；
- verifier cost。

---

# 177. Success Criterion

如果：

$$
\boxed{
G_E^{\mathrm{ADLM}}
>
G_E^{\mathrm{baseline}}
}
$$

在相近 compute 下穩定成立，

則 ADLM 有實質價值。

---

# 178. Failure Criterion

若：

$$
G_E^{\mathrm{ADLM}}
\approx
G_E^{\mathrm{baseline}}
$$

但成本顯著更高，

就需要簡化。

---

# 179. Strong Failure Criterion

如果 Green / debate 反而：

$$
\boxed{
Q_{\mathrm{post}}<Q_{\mathrm{single}},
}
$$

代表 protocol 可能製造 epistemic contamination。

---

# 180. ADLM Is Falsifiable

因此 ADLM 不是：

> 多辯論一定更好。

真正 hypothesis：

$$
\boxed{
\text{structured debate with explicit model revision can outperform winner-oriented debate on selected task classes}.
}
$$

---

# 181. Series-Level Hypothesis I

### Debate-as-Transition Hypothesis

$$
\boxed{
\text{Debate is better modeled as world-model transition than as winner selection}.
}
$$

---

# 182. Series-Level Hypothesis II

### Shared-Domain Hypothesis

$$
\boxed{
\text{Opponent understanding before attack reduces false disagreement and improves epistemic gain}.
}
$$

---

# 183. Series-Level Hypothesis III

### Crux-Compression Hypothesis

$$
\boxed{
\text{A small set of model-changing cruxes can explain a large fraction of surface disagreement}.
}
$$

---

# 184. Series-Level Hypothesis IV

### Green-Model Hypothesis

$$
\boxed{
\text{Allowing third-model generation improves post-debate model quality in non-binary hypothesis spaces}.
}
$$

---

# 185. Series-Level Hypothesis V

### Evidence-Escalation Hypothesis

$$
\boxed{
\text{Debate becomes more epistemically productive when linguistic disagreement can escalate into discriminating evidence}.
}
$$

---

# 186. Series-Level Hypothesis VI

### Revision-Reward Hypothesis

$$
\boxed{
\text{Rewarding calibrated revision reduces rationalization and improves model quality}.
}
$$

---

# 187. Series-Level Hypothesis VII

### Protocol-Overfitting Hypothesis

$$
\boxed{
\text{winner-optimized agents can learn protocol-specific persuasion skills that do not transfer to truth-seeking tasks}.
}
$$

---

# 188. Series-Level Hypothesis VIII

### No-Side Hypothesis

$$
\boxed{
\text{for some tasks, delaying side assignment until after hypothesis mapping reduces false dichotomy and increases model coverage}.
}
$$

---

# 189. 第一原則：Debate Learning Principle

$$
\boxed{
\text{Debate should train model revision, not merely argument production}.
}
$$

---

# 190. 第二原則：World-Model Objective Principle

$$
\boxed{
\text{The terminal objective of inquiry debate is a better epistemic state, not a winning side}.
}
$$

---

# 191. 第三原則：Pre-Attack Understanding Principle

$$
\boxed{
\text{A model should reconstruct its opponent with sufficient fidelity before strong adversarial attack}.
}
$$

---

# 192. 第四原則：Crux Compression Principle

$$
\boxed{
\text{Debate should compress many surface disagreements into a small set of model-changing cruxes}.
}
$$

---

# 193. 第五原則：Green Legality Principle

$$
\boxed{
\text{Successor models outside the initial side assignment must be legal outputs}.
}
$$

---

# 194. 第六原則：External Veto Principle

$$
\boxed{
\text{No internally coherent debate outcome is exempt from external verification where external verification is possible}.
}
$$

---

# 195. 第七原則：Uncertainty Preservation Principle

$$
\boxed{
\text{Underdetermination should be represented, not rhetorically collapsed}.
}
$$

---

# 196. 第八原則：Protocol Honesty Principle

$$
\boxed{
\text{A protocol optimized for persuasion should not be interpreted as a truth-discovery procedure without additional validation}.
}
$$

---

# 197. ADLM and the Meaning of Debate

經過整個系列，辯論可以被重新定義：

$$
\boxed{
\text{Debate}
=
\text{structured collision of world models under update-permitting constraints}.
}
$$

---

# 198. Debate Is Not War

它可以使用 adversarial structure，

但：

$$
\boxed{
\text{the opponent is not the terminal object of destruction}.
}
$$

真正被攻擊的是：

$$
\boxed{
\text{model error}.
}
$$

---

# 199. Debate Is Not Consensus Production

它也不是：

$$
\boxed{
\text{agreement machine}.
}
$$

真正輸出可以是：

- better model；
- better branch structure；
- better uncertainty；
- better experiment；
- better question。

---

# 200. Debate Is Model Debugging

因此最精簡定義：

$$
\boxed{
\text{Debate}
=
\text{World-Model Debugging under Adversarial Pressure}.
}
$$

---

# 201. Debate Is Also Model Evolution

更完整：

$$
\boxed{
\text{Debate}
=
\text{World-Model Debugging}
+
\text{World-Model Evolution}.
}
$$

---

# 202. Why AI Is Especially Suitable

AI 可以：

- 保存完整 state；
- 不受同樣 working-memory limit；
- 快速 role inversion；
- 建 graph；
- 模擬 counterfactual；
- 保留多 branch；
- 重複 self-play。

所以 ADLM 對 AI 特別適合。

---

# 203. Why AI Is Also Especially Dangerous

同時 AI 可以：

- 更會說服；
- 更會 rationalize；
- 更快生成大量 arguments；
- 更快產生 false consensus。

所以：

$$
\boxed{
\text{better debate capability}
\not\Rightarrow
\text{better epistemic behavior}.
}
$$

---

# 204. Therefore Objective Design Is Central

真正關鍵不是：

> 給 AI 更多辯論回合。

而是：

$$
\boxed{
\text{what is the reward topology?}
}
$$

---

# 205. Final ADLM Topology

本文最終給出：

$$
\boxed{
\text{Map}
\rightarrow
\text{Type}
\rightarrow
\text{Align}
\rightarrow
\text{Construct}
\rightarrow
\text{Attack}
\rightarrow
\text{Invert}
\rightarrow
\text{Localize}
\rightarrow
\text{Crux}
\rightarrow
\text{Release}
\rightarrow
\text{Green}
\rightarrow
\text{Discriminate}
\rightarrow
\text{Verify}
\rightarrow
\text{Update}
\rightarrow
\text{Remap}.
}
$$

---

# 206. Minimal Formal Update

可簡寫：

$$
\boxed{
M_{t+1}
=
\mathcal U(
M_t,
\mathcal A,
\Delta^\ast,
c^\ast,
G,
E^\ast,
W
).
}
$$

---

# 207. Final Objective

$$
\boxed{
\max
\Delta Q_{\mathrm{world}}
}
$$

而不是：

$$
\boxed{
\max
P(\text{I win}).
}
$$

---

# 208. Series Closure

ADLM-01 到 ADLM-08 最終形成：

$$
\boxed{
\text{Argument}
\rightarrow
\text{Model}
\rightarrow
\text{Shared Domain}
\rightarrow
\text{Divergence}
\rightarrow
\text{Crux}
\rightarrow
\text{Green}
\rightarrow
\text{Evidence}
\rightarrow
\text{Revision}.
}
$$

---

# 209. 最終母命題

本文最終提出：

$$
\boxed{
\text{The purpose of truth-seeking debate is not to preserve a side, but to improve the state of the shared model space}.
}
$$

中文：

> **求真型辯論的目的，不是保住某一方，而是讓共同模型空間在辯論後比辯論前更好。**

---

# 210. 本文不主張事項

本文不主張：

1. 所有 AI 任務都需要 debate；
2. 多 agent 一定優於單 agent；
3. Green Model 一定存在；
4. consensus 沒有價值；
5. adversarial attack 應被削弱；
6. 人類 judge 沒有價值；
7. 外部 verifier 永遠可靠；
8. world model 可以完全形式化；
9. ADLM 能保證真理；
10. AI 可以完全自動解決所有價值分歧。

本文只主張：

$$
\boxed{
\text{AI debate should be designed as an updateable epistemic process rather than a winner-producing rhetorical game}.
}
$$

---

# 211. 結論

如果 AI 辯論的最終訓練訊號仍然是：

$$
\boxed{
\text{Who won?}
}
$$

那麼模型最終很可能學會：

- 更好的攻擊；
- 更好的防禦；
- 更好的 persuasion；
- 更好的 judge exploitation。

這些能力本身不一定壞。

但它們沒有回答：

$$
\boxed{
\text{AI 是否更會修改錯誤的世界模型？}
}
$$

ADLM 因此把真正 learning target 改成：

$$
\boxed{
\text{Model Revision}.
}
$$

一個成熟的 AI debater 應該能：

1. 先不急著站隊；
2. 建立候選空間；
3. 正確標記 claim scope；
4. 建立共同域；
5. 強力 steelman；
6. 強力 attack；
7. 換位重建；
8. 找真正根分歧；
9. 找 causal crux；
10. 放下原角色；
11. 生成 Green candidates；
12. 找能區分模型的 evidence；
13. 接受 world / verifier veto；
14. 按證據強度更新。

所以真正高階 AI 辯論不是：

$$
\boxed{
\text{AI vs AI}.
}
$$

而是：

$$
\boxed{
\text{Model}_t
\rightarrow
\text{Model}_{t+1}.
}
$$

Red 與 Blue 只是壓力工具。

Green 只是 successor search。

World / Verifier 才是外部校正。

而真正需要保留的是：

$$
\boxed{
\Gamma_{\mathrm{revision}}.
}
$$

也就是：

> **模型究竟因為什麼而改變。**

若一場辯論最後：

$$
\text{Red loses},
$$

$$
\text{Blue loses},
$$

卻：

$$
Q(
M_{\mathrm{post}}
)
>
Q(
M_R,M_B
),
$$

那不是沒有人贏。

而是：

$$
\boxed{
\text{the learning system won}.
}
$$

這就是 ADLM 系列的 closure。

---

# 版本紀錄

## v0.1.0 — 2026-10-06

- 建立 ADLM 系列 Paper 08；
- 完成 ADLM 主系列 closure；
- 將 Debate 定義為 structured world-model transition；
- 定義 ADLM State；
- 正式建立 No-Side Mode；
- 統一 Cartographer、Red、Blue、Green、World / Verifier 五角色；
- 建立 Claim Typing、Predicate / Frame Audit、Shared-Domain Alignment；
- 建立 Red / Blue Model Stewardship；
- 建立 Adversarial Falsification 與 Role Inversion；
- 建立 Divergence Localization、Crux Search 與 Role Release；
- 建立 Green Generator 與 Green Red-Team；
- 建立 Discriminating Evidence 與 World / Verifier；
- 建立 Revision Calibration；
- 定義 Debate Epistemic Gain；
- 建立 ADLM Reward Function；
- 提出 Structured Debate IR 與 Debate Memory Store；
- 建立八類 benchmark；
- 建立十項 failure modes；
- 提出 Minimal ADLM 與 Full ADLM；
- 建立八項 Series-Level Hypotheses；
- 建立八項 ADLM 核心原則；
- 將系列最終收束為 AI World-Model Evolution Protocol。