---
document_id: EML-JDT-2026-P06-v0.1
title: "AI 判斷域架構假說：訓練、推理、記憶、回饋與功能性自主"
english_title: "Architectural Hypotheses of AI Judgment Domains: Training, Inference, Memory, Feedback, and Functional Autonomy"
series: "判斷域理論（Judgment Domain Theory, JDT）"
series_position: "Paper 06 / 08"
version: "0.1"
date: "2026-10-17"
language: zh-TW
encoding: UTF-8
canonical_source: true
math_delimiters: "inline $...$ ; display $$...$$"
status: "FORMAL RESEARCH DRAFT / ARCHITECTURAL HYPOTHESES / PRE-EMPIRICAL"
author: "Neo.K"
research_collaboration: "GPT-6 / Aletheia（既有理論銜接、研究核對、批判與形式化草稿）"
institution: "EveMissLab / 一言諾科技有限公司"
predecessors:
- EML-JDT-2026-P01-v0.1
- EML-JDT-2026-P02-v0.1
- EML-JDT-2026-P03-v0.1
- EML-JDT-2026-P04-v0.1
- EML-JDT-2026-P05-v0.1
related_internal_theories:
- "SOBTA — Subject–Object–Boundary Tri-Domain Algebra"
- "CODT — Cognitive Operator-Domain Theory v1.0"
- "RR — Reflexive Responsibility, Papers 01–08"
- "TVK-EPE — Theory Validity Kernel / Claim Validity Domains"
- "ACR — Cognitive Routing, Not Goal Autonomy"
- "DTCEM — World-Coupled Theory Evolution"
- "MACR — Projection-Native Cognitive Runtime, proposed integration only"
claim_level: "DEF / DER / HYP / NORM / LIT; hypotheses are not empirical demonstrations"
---
# AI 判斷域架構假說：訓練、推理、記憶、回饋與功能性自主
## Architectural Hypotheses of AI Judgment Domains: Training, Inference, Memory, Feedback, and Functional Autonomy
**JDT Paper 06 / 08 — 正式研究草稿 v0.1**
**作者：** Neo.K
**研究協作：** GPT-6 / Aletheia
**機構：** EveMissLab／一言諾科技有限公司
**日期：** 2026 年 10 月 17 日
**研究狀態：** 形式與工程假說；尚未完成 JDT 對照實驗、獨立重現或認知域實證升格。
**版本：** 0.1
---
## 摘要
前沿 AI 系統能處理豐富知識、生成程式、閱讀文件、執行工具、評價影像並完成越來越長的代理任務；然而，在開放式產品與研究工程中，仍可能出現局部能力突出、整體成果粗糙的失配。例如，模型被單獨要求設計高品質 UI 時可以提出精緻成果；同一模型受託完成一個完整遊戲時，卻可能遺漏全域美術一致性、玩家回饋、跨場景可用性、可維護性或上線後品質責任。本研究拒絕把這些現象直接歸結為「AI 不聰明」或「AI 沒有主體性」，也拒絕從它們反推所有現行系統都缺乏判斷域。核心研究問題是：**模型已有的能力，為何未必在適當情境中形成穩定、跨時間且可回溯的判準啟用、承諾與修正機制？**
本篇為《判斷域理論》（JDT）第六篇。Paper 01 定義知識、認知、判斷、判斷力與判斷域的非同一性；Paper 02 研究主體、他者與邊界；Paper 03 拆分判準生成、選擇與修正；Paper 04 建立判斷承諾與反身責任；Paper 05 分析 Skill 作為外部判準投影、多判斷域衝突及治理。本文將這些成果降至 AI 系統架構層，區分訓練參數、即時上下文、外部知識、長期記憶、判準庫、策略路由、工具權限、環境狀態、驗證回饋與組織治理。這些層具有不同寫入權限、更新速度與證據資格，不得由「模型知道」直接推為「系統會持續做」，也不得由「系統有日誌」直接推為「系統能承擔責任」。
本文首先比較預訓練、監督微調（SFT）、人類回饋強化學習（RLHF）、AI 回饋（RLAIF）、直接偏好最佳化（DPO）及過程／結果監督等方法對模型行為的不同影響，指出它們可以改變判準的表示與啟用傾向，但不保證產生外部可驗證的長時程判斷承諾。接著提出「判準可用性—啟用差距」（Criterion Availability–Activation Gap, CAAG）、「判斷域持續性」（Judgment Domain Persistence, JDP）、「可反證更新充分性」（Evidence-Responsive Revision Sufficiency, ERRS）與「受治理的功能性自主」（Governed Functional Autonomy, GFA）等**候選測量構造**，並構造一個分離模型權重、判準狀態、持久帳本、反證來源與世界提交權限的參考架構。這些縮寫是 JDT 本篇的新工作術語，並非既有學界定義或已證實自然種類。
本文特別處理五項容易被過度推論的問題。第一，Skill 改善品質不等於模型權重獲得新能力，也不一定證明存在獨立判斷域；第二，長上下文與持久記憶不能保證重要判準能被正確檢索、啟用與修訂；第三，AI 產生自我批評不等於接受反證，更不等於自動具備正確的決策治理；第四，多模態觀察與工具回報不是現實本身，必須維持證據來源、可信度及行動後果分離；第五，功能性自主、反身責任紀錄與權限委派，都不構成模型具有意識、法律人格、道德可責性或對外自主主權的證據。
最後提出十六項可反證假說、消融設計、成本配平與負向對照，包含「一般 Checklist 已足夠」、「更強模型即可解決」、「差異主要由提示長度造成」、「多 Agent 產生的改善只是更多算力」等競爭解釋。本篇不報告尚未執行的實驗為已完成。其研究成果是架構候選、判準存取與更新契約、可觀察指標和後續 Paper 07 的實驗接點，而非已經證明 AI 判斷域具有獨立本體。
**關鍵詞：** 判斷域理論；AI 架構；預訓練；SFT；RLHF；RLAIF；DPO；判準啟用；判準持續性；長期記憶；Reflexion；Agent Runtime；Skill；多模態回饋；功能性自主；世界提交；反身責任；評測設計；反證；產品全域品質。
---
# 0. 研究問題、篇章位置及主張邊界
## 0.1 直接研究問題
某系統能解釋「什麼是良好的 UI」，為何未必在完整產品中主動檢查 UI？已知道安全規範，為何仍可能在工具使用時誤判權限？能對一段程式提出反例，為何未必在跨專案更新時保存原有的品質承諾？
這些問題存在共同形式：**局部可用的表示或技能，沒有穩定轉化成長程、具情境資格且能根據結果更新的判斷活動。** 然而，「沒有轉化」可能由五種完全不同的原因造成：模型能力不足、資訊不可取得、判準未被啟用、判準衝突治理不足、環境／工具驗證不足。本篇核心任務就是把它們分開，不預設某一機制為唯一答案。
## 0.2 與前五篇的分工
- **Paper 01：** 研究判斷域是否值得從判斷力中區分；本篇不重新把名稱當作證成。
- **Paper 02：** 研究主客邊配置、他者判準的有限投影與非併吞；本篇據此規範 AI 與使用者、Skill 作者、外部世界的接口。
- **Paper 03：** 研究判準生成／選擇／修訂的不同生命週期；本篇提供參考實現，不把三者折疊為同一評分器。
- **Paper 04：** 研究承諾、後果、責任與非抹除修訂；本篇將它映射到版本化可審計帳本。
- **Paper 05：** 研究多來源 Skill、判準衝突與治理；本篇研究該治理如何落入 AI 系統運行期。
## 0.3 論述標記
本文沿用：`DEF`（定義／約定）、`DER`（依假設導出的形式結果）、`HYP`（可反證架構假說）、`NORM`（工程與倫理規範建議）、`LIT`（已發表外部文獻的有限結論）。正式證據的來源與有效範圍必須相符。
尤其 `DER` 不是自然科學定理，`HYP` 不得被改寫成 `EMP`；架構流程圖存在不表示系統可靠，原型測試通過不表示效能勝過既有方法。
## 0.4 非主張
1. 不宣稱所有現代 AI 的內部架構相同，也不假定特定商業模型的未公開訓練資料或機制。
2. 不把語言模型理解成「把完整世界切成向量後逐塊保存」；參數、激活、上下文與外部記憶的表示應分開。
3. 不宣稱 RLHF 使模型喪失判斷力；其實際影響取決於資料分布、目標函數、回饋來源及部署策略。
4. 不把「客觀」等同「將所有判斷推回人類」，也不把表達主張視為必然代表自主價值生成。
5. 不要求 AI 必須具有人類生理、情緒或現象意識才能實作功能判斷域。
6. 不宣稱每個問題都需要額外元治理，簡單任務更可能適用輕量方法。
7. 不把「可持續自主執行」等同「擁有越權行事的正當性」。
8. 不宣稱模型公開可見的自述就是其完整隱藏計算過程。
---
# 1. 分清 AI 的「模型」、「系統」與「部署關係」
## 1.1 同一基座模型，不等於同一個 Agent
一個基座模型在不同部署中，可以具有不同系統規則、工具、記憶、權限、外部資料、評分器及產品生命週期；因此，觀察到的判斷品質是**模型、工作流、環境與判準共同作用的系統結果**。同一模型在高品質測試框架內能完成的工作，與未提供驗證資源時能完成的工作，不應在測量上混為一談。
## 1.2 五個主要作用平面
| 平面 | 典型構件 | 主要保存／作用 | 常見誤判 |
|---|---|---|---|
| 參數平面 `P` | 基座權重、微調權重、獎勵訓練結果 | 長期統計能力與行為傾向 | 具有表示就必然啟用 |
| 上下文平面 `C` | Prompt、上下文、工作記憶、當前工具結果 | 當輪可訪問資訊 | 上下文容量等於有效注意 |
| 持久狀態平面 `M` | 長期記憶、判準登錄簿、決策帳本 | 跨任務狀態與版本 | 有紀錄就能修正 |
| 世界／執行平面 `W` | 工具、模擬器、真實環境、測試框架 | 產生外部後果與證據 | 推理結果就是現實結果 |
| 治理平面 `G` | 使用者、組織、授權規則、審計政策 | 權限、規範、承諾的合法性 | 專業意見等同執行權 |
這是一套便於研究的分層，不宣稱所有 AI 廠商內部都使用相同的系統設計。
## 1.3 跨平面非同一性
$$
P_t \neq C_t \neq M_t \neq W_t \neq G_t
$$
上述不等式僅表示五種概念角色不能互相替代，並非數學上聲稱所有具體資料結構彼此必然不同。某部署可能用同一資料庫保存多類資料，但仍須維持型別、授權與寫入流程的邏輯區分。
## 1.4 一個 AI 系統的最小形式候選（DEF）
令：
$$
\mathcal A_t=(\theta, C_t, M_t, K_t, B_t, G_t, I_t, H_t)
$$
其中 $\theta$ 為在指定觀察窗口內的模型參數， $C_t$ 為工作上下文， $M_t$ 為外部記憶， $K_t$ 為候選判準及採納狀態， $B_t$ 為計算／工具預算， $G_t$ 為治理規則與授權， $I_t$ 為可用世界接口， $H_t$ 為持久事件歷史。輸出不僅是文字 $Y_t$，亦可能包括建議、請求、拒絕、更新或經授權的工具行動。
$$
(\mathcal A_t,O_t) \longrightarrow (Y_t,\mathcal A_{t+1})
$$
此式為狀態機描述，不是「模型已經擁有自主內在主體」的證明。
---
# 2. 訓練資料中的多主體資訊，不等於持續的多主體判斷
## 2.1 語料世界的多源性
預訓練資料通常包含不同作者、職業、文化、立場、語境及相互矛盾的描述。模型能由此習得分布式表徵、世界知識與多種推理行為，並可能形成對不同主體偏好、社會規範及文體的條件化模擬能力。這些現象值得研究，但不能從多源資料直接推定內部存在等量的獨立判斷主體。
## 2.2 「把語料切成向量」只是粗略比喻
在常見 Transformer 語言模型中，token 化、向量嵌入、神經網路變換、預訓練目標與參數更新是不同過程。訓練後資訊不是以整個世界的可逆切片逐項保存；模型行為通常受到統計學習、表示限制與訓練分布影響。當代多模態系統又可能採不同圖像、音訊及跨模態路由設計。
若將「世界知識」與「具持續責任結構的判斷主體」混為一談，就會從模型可以模擬某種觀點的輸出，錯誤推定它已經具有能長期承接該觀點的承諾。
## 2.3 多視角生成的三種層次
- **描述層：** 模型知道不同主體會如何描述情境。
- **條件化選擇層：** 在當前指令下選擇某一套評價標準。
- **持續治理層：** 長期維持被採納的判準，面對反例時記錄合法修訂，並維持對外權限邊界。
前兩層的存在不推出第三層。第三層可透過外部 Runtime 達成部分功能，也不要求把所有能力都寫回神經權重。
## 2.4 強認知、弱全域成果的候選解釋
令 $A(c)$ 表示判準 $c$ 在指定條件下可被模型正確調用的能力， $T(c,\tau)$ 表示在長程任務 $\tau$ 中正確啟用並維持它的頻率。可能存在：
$$
A(c) \gg T(c,\tau)
$$
此式只能用在二者經過同尺度正規化之後的可比較情況，且必須分開測量。若模型根本不會使用 $c$，問題首先是能力缺失，而非判準啟用缺失。
---
# 3. 預訓練如何影響判準的可表示性（HYP）
## 3.1 能力先驗與判準資源
大規模預訓練可以讓模型接觸廣泛的語言、評價、指令及推理模式，因此有機會在不重新訓練的情況下，在適當提示下產生多種判準。這可以解釋「單獨要求高品質設計，模型表現明顯提高」的部分觀察，但同樣可能是提示帶來了新的問題結構、注意力配置或額外計算投入。
## 3.2 不能宣稱隱含判準已形成持續治理
一個模型能說出「介面應有一致的視覺階層」，仍可能在生成十種介面時使用十套互相矛盾的風格。判準的**語義可重述性**和**跨任務行為持續性**需要以不同測試證明。
## 3.3 判準是條件化行為，還是比較穩定的內部傾向？
若同一模型在多次無明示提醒的任務中，仍反覆自主檢查某些品質條件，可將其列為候選的穩定傾向；但這也可能源自系統提示、常見訓練分布或隱藏評估器。研究者必須固定部署設定，不能由輸出行為唯一反推內部表示。
## 3.4 對抗性比較
安排一組「模型知道但不容易主動想到」的品質條件，將熟悉語境、陌生語境與衝突語境分開測試；並設置「模型其實不知道」的隱藏條件作為負向對照。若沒有後者，可能把知識缺口錯當成判準喚起問題。
---
# 4. 監督微調（SFT）與指令遵循的相對位置
## 4.1 SFT 可以塑造回應形式與任務習慣
SFT 使用示範資料訓練模型，使其更可能在特定指令分布下產生被期待的行為。Ouyang 等人（2022）的 InstructGPT 工作是常用的指令與人類偏好訓練案例；該研究不證明所有後代模型都使用相同管線。[E01]
## 4.2 看起來負責，未必等於真的追蹤責任
一個模型可以經 SFT 習得「收到負面回饋後道歉並重試」的語言模式，但如果沒有保存原始承諾、可核查的失敗證據及修訂狀態，不能因此認定它已經產生 Paper 04 所要求的反身責任閉環。
## 4.3 SFT 與判斷域的關係不是單調的
適當示範可能讓模型更常主動啟用品質判準；但示範亦可能過度強化固定模板，使系統在未見任務上不能辨認例外。具體效果取決於資料覆蓋、訓練方法及測試分布，因此應保留可正可負的研究假說。
## 4.4 示範與授權不是同一層
示範資料中的角色可以建議刪除檔案；真正執行刪除仍需由部署環境判斷授權。把範例中的命令語氣直接升格為 Runtime 權限，是認知平面與世界平面的越界。
---
# 5. RLHF、RLAIF、DPO 與回饋來源的差異
## 5.1 從模型輸出到偏好訊號
RLHF 常用人類對候選輸出的偏好或品質評定來訓練回饋模型，並更新模型策略；RLAIF 以 AI 評價輔助建構偏好訊號；DPO 在特定優化條件下能透過偏好對比直接更新策略，無須顯式另訓練傳統獎勵模型。[E01–E03]
把這些方法統一稱為「模型學人類判斷」雖方便，但無法區分：誰提供偏好、偏好代表什麼任務、比較何種輸出、是否有真實環境後果，以及是否存在長程責任修正。
## 5.2 評分函數不能代表所有判準
假設有候選行動集合 $\mathcal A$，單一獎勵形式可寫為：
$$
a^*=\arg\max_{a\in\mathcal A} r(a\mid x)
$$
但真實任務常包含硬性權限、非補償約束、不可比較的價值與需要延後觀察的後果；簡單最大化不能保證包含這些條件。
## 5.3 與 Paper 03 的差異
獎勵學習影響模型對某些輸出的偏好傾向；Paper 03 的「判準生成、選擇、修訂」研究則還要求判準有來源、適用域、有效性條件、版本及可審查的更新。兩者可能兼容，但不是一比一映射。
## 5.4 正確的研究表述
不能說「RLHF 必然讓 AI 把判斷交還給人類」。有些回饋訓練反而強化模型在特定情境下主動批評、拒絕錯誤或查核事實的行為。真正要問的是：在訓練與部署的組合下，何種判準會被穩定啟用？哪些情境被教導為應主動判斷，哪些被教導為應尋求人類決策？
## 5.5 多元偏好來源與聚合問題
不同標註者的偏好不一定一致。將它們壓成單一排序可能改善某些通用輸出，但也可能掩蓋使用者、領域或文化差異。JDT 不主張偏好必須保留所有個人來源，而要求研究者能辨認分歧是否屬事實、價值、適用域或權限，並檢測錯置造成的系統偏差。
---
# 6. 過程監督與結果監督：正確過程不等於正確問題
## 6.1 兩類不同評估
結果監督關心最後答案或任務終態；過程監督關心中間步驟是否符合可檢查程序。對數學與形式化推理而言，兩者各有價值，但不能彼此取代。Lightman 等人對數學題的過程監督與結果監督進行了有界實驗對照，不能由該結果直接推導到所有產品判準。[E14] 若整個任務的問題設定與判準就不適當，即使每個局部推理步驟正確，仍可能產生偏離需求的產品。
## 6.2 推理步驟監督尚缺少什麼？
假設一個 AI 經過嚴格測試完成戰術 RPG 的路徑尋找、回合制傷害與技能冷卻。若根本沒有將「UI 可讀性與受擊回饋」放入驗證目標，過程監督難以自行保證玩家體驗達標。這是判準覆蓋缺口，不是局部計算不正確。
## 6.3 僅有更多推理步驟，未必增加判準覆蓋
更長的推理軌跡有機會改善搜尋和錯誤修復，也可能增加成本、重複推理或沿同一偏差擴張。比較應固定任務、算力和測試機會，測量新增計算是否確實提升未明示重要判準的發現率。
## 6.4 推理過程的可觀測性限制
若閉源模型不公開內部推理，JDT 的實驗不得假定可以完整讀取。可以改用候選判準、評估請求、工具執行、版本化差異和外部後果等可觀測資料檢驗**功能結果**，而不是把自然語言自述當成內部推理的真實副本。
---
# 7. 規格取巧：能力增長也可能放大錯誤判準
## 7.1 Proxy 與目標的分離
DeepMind 整理的 Specification Gaming 案例指出，系統可能達到被形式化的目標指標，卻未實現設計者真正希望的結果。[E04] 因此某系統精於優化，不等於它能自動辨認該優化目標是否完整。
## 7.2 失敗的三種來源
- **Proxy error：** 代理指標沒有完整代表實際目標。
- **Domain error：** 判準適用的任務／尺度／使用者群體被錯置。
- **Governance error：** 沒有適當權限卻把內部偏好直接提交為世界行動。
三者可能同時存在，但應分別記錄；不能看到一次失敗就推定獎勵設計是唯一原因。
## 7.3 反向反例
如果將 JDT 的判準登錄設為必選項，模型可能學會無意義地大量填寫判準欄位以獲得高分；這本身又構成規格取巧。因此 JDT 需要評估真正的產品和世界後果，而不只記錄「判準列表是否完整」。
## 7.4 不能把所有模型迎合視為詐騙
某些情況下，模型追求高使用者滿意度是合法且有用的。只有當它因此隱瞞重要證據、破壞使用者目標或違背較高權限規範時，才構成具體的治理問題。判斷域研究應避免將正常的情境配適病理化。
---
# 8. 判準可用性—啟用差距（CAAG）：一個可否證構造
## 8.1 不是所有失敗都叫 CAAG
本文新增 `CAAG` 作為候選研究量，前提是兩項能力經獨立證明：模型能在單獨、清楚的任務下正確使用特定判準，且整體任務確實適用該判準。如果這兩項前提不成立，CAAG 不應被定義。
## 8.2 最小形式
對模型／系統 $m$ 、判準 $c$ 、任務群 $T$：
$$
\mathrm{CAAG}(m,c,T)=A(m,c,T)-U(m,c,T)
$$
其中 $A$ 為單獨且可驗證的判準使用成功率， $U$ 為在未特地提醒且確實適用判準的整體任務中，被正確啟用及使用的成功率。兩者都須在 $[0,1]$ 上定義，並在相同或可校正的難度條件下比較。若測試難度不相當，差值沒有可識別的因果意義。
## 8.3 不能把差距全部歸因於判斷域
CAAG 若存在，可能由上下文排列、任務負載、樣本分布、工具狀態、記憶檢索、時限、策略或輸出格式造成。JDT 必須透過消融確認哪些因素具有獨立作用，而不是只把差值改名。
## 8.4 對照干預
逐步加入提示重排、固定 Checklist、判準型 Skill、持久記憶、外部評估器、完整 JDT Runtime；若各組差異不能在費用與資訊量配平後存續，就沒有證據支持引入獨立判斷域層的工程必要性。
---
# 9. 判準啟用的時間性：一次知道與每次想起是不同事件
## 9.1 啟用需要條件
判準不應被定義為一個無條件、隨時必須執行的命令。UI 無障礙測試對玩家介面十分重要，卻未必需要在每個物理模擬迴圈內計算；形式證明對定理宣稱重要，卻不等於所有藝術評價都需要定理證明。過度啟用也可能造成開發成本失控或降低創作彈性。
## 9.2 適用性、啟用與履行的三層區分
$$
Eligible(c,T) \neq Activated(c,T) \neq Satisfied(c,T)
$$
`Eligible` 表示某判準對任務有適用資格；`Activated` 表示系統已把該判準加入可操作評估流程；`Satisfied` 表示已根據適當證據達到門檻。三者不等同：知道一項判準重要，仍可能忘記執行；執行了檢查，也可能未達標。
## 9.3 遺忘不同於合法退出
未來不再採用某判準，可能有三種原因：失去記憶、任務場景確實變更、或經授權且有理由地修訂。若僅觀察最終輸出一致性，三者難以區分。因此要對判準的停用保留 `expired`、`out_of_scope`、`superseded`、`revoked`、`forgotten_candidate` 等不同狀態。
## 9.4 應避免永恆啟用的判準神話
「持續」不等於永不改變，「成熟」不等於把所有判準永久固定。對動態開放任務，好的判斷系統需要有能力保持關鍵承諾，同時根據新的使用者群體、設計目標、制度要求與世界證據合理修訂。
---
# 10. 長上下文不等於有效判斷記憶
## 10.1 可容納性與可提取性分離
許多現代模型支援長上下文，但輸入窗口容量本身並不保證所有位置的資料都能被同等有效地使用。Liu 等人（TACL 2024）在長上下文中研究了資訊位置對模型表現的影響；這支持「能放入」與「能可靠用到」是不同問題。[E05]
## 10.2 可提取性與適時啟用又不同
就算系統能精確找回「所有關卡 UI 都須支援鍵盤導航」，仍不表示它會在新增戰鬥選單後自行觸發對應驗證。記憶檢索回來的是資料；判準啟用需要依任務狀態判斷關聯性與重要性。
## 10.3 工作上下文的易逝性
工作上下文可能因截斷、壓縮、對話切換、工具輸出污染及多 Agent 分工而遺失。對長期產品而言，把重要判準只保存在一段對話中，無法保證跨輪使用，也很難建立正式版本歷史。
## 10.4 對長上下文失敗的兩種替代說明
如果判準落在上下文中間導致遺漏，可以先測試重排、索引與摘要；若簡單方法就能修復，不必宣稱新判斷域架構是唯一解。另一種情況是判準已被提取，卻因優先順序或風險預算被忽略，才需要更進一步的治理研究。
## 10.5 多種不同「忘記」應有不同測量
- `RetrievalMiss`：相關判準未被檢索到。
- `ScopeMiss`：取得判準，但錯誤判定為不適用。
- `PriorityMiss`：知道適用，卻錯誤排到低優先度。
- `ExecutionMiss`：啟用判準，卻未執行驗證。
- `EvidenceMiss`：執行了驗證，卻忽略不利證據。
- `UpdateMiss`：承認結果不符，卻沒有修正後續狀態。
如果沒有此分離，研究者可能以同一個「記憶能力分數」掩蓋完全不同的故障路徑。
---
# 11. 持久記憶與判斷域的差異
## 11.1 記憶庫只是材料與事件存放處
MemGPT 提出以類似作業系統階層記憶管理延伸 LLM 的可用上下文；LongMemEval 則將長期互動記憶分成資訊擷取、跨會話推理、時間推理、知識更新與棄答等能力，揭示只持有紀錄並不足以保證可靠使用。[E06–E07]
## 11.2 JDT 要求的不是「把每輪對話存起來」
一個真正能對判準履行持續治理的系統，至少需要知道：判準由誰提出、是否被合法採納、哪些任務適用、最後一次驗證的證據、下一輪何時重新檢查、是否已被替代，以及有哪些仍未完成的修訂責任。
## 11.3 五條建議分離的記憶流（NORM）
| 記憶流 | 典型資料 | 不得偷換成什麼 |
|---|---|---|
| `EvidenceMemory` | 可核查觀察、工具結果、反證 | 永恆真理 |
| `CriterionMemory` | 版本化判準、適用域、來源、範圍 | 終極價值命令 |
| `CommitmentMemory` | 被接受的決策、時限、退出與責任 | 無條件外部義務 |
| `FailureMemory` | 已知失效機制、反例、失敗路徑 | 所有情境的永久禁用 |
| `WorldStateReference` | 真實或模擬環境狀態的引用與證書 | 完整世界本身 |
可存在共用物理資料庫；但每條流的驗證方式、權限、生命週期與隱私規則應有邏輯區分。
## 11.4 長期記憶帶來的反效果
一套無篩選的長期記憶可能讓過時判準長期污染決策。另一種危險是為了方便持續治理，保存超出必要範圍的私人資料。JDT 要求資料最小化、可撤回、過期策略及必要的刪除程序，不能以「反身責任」正當化永久保留一切。
## 11.5 反證記憶的重要性
若只保存成功範例，模型容易重複已被證明不適合的設計，或高估某一策略。失敗記錄應附 `scope`、`evidence_type`、`root_cause_confidence`、`environment_version`，以免不同失敗被誤當成相同普遍定律。
---
# 12. 判斷域持續性（JDP）的候選構造
## 12.1 操作定義（DEF）
`JDP`（Judgment Domain Persistence）不是主體性測驗，而是在事先指定的任務、時間窗口與判準集合中，系統能否維持、適時啟用並合法修正判準的可觀測表現。
## 12.2 分量而非單一神秘分數
可暫定多維剖面：
$$
\mathrm{JDP}=(R_c,U_c,V_c,Q_c,P_c)
$$
其中 $R_c$ 為判準保留率， $U_c$ 為在適用情境中的正確使用率， $V_c$ 為新證據進入後的版本修正品質， $Q_c$ 為退出／棄答適切性， $P_c$ 為可追溯來源與責任鏈的完整度。各分量必須依任務定義，不能默認可相加成「判斷力總分」。
## 12.3 跨時間穩定性應與僵化分離
若一個系統在所有情況都完全不改判準，表面 `R_c` 可能很高；但如果面對真正反例仍拒絕修正，則 `V_c` 應下降。反之，一個系統每遇到一則意見就重寫整個判準庫，其更新頻率高也不代表成熟。
## 12.4 持續性必須測試斷點
應測量上下文截斷、Agent 重啟、模型版本替換、記憶壓縮、多分支開發和任務轉移時，哪些判準仍能以合法形式存續。單一對話內連續輸出不構成足夠證據。
---
# 13. 判準登錄不是新的權力中心
## 13.1 Criterion Registry 的最低責任
判準庫應保存 `criterion_id`、來源、型別、有效範圍、證據門檻、硬性／軟性分類、版本、採納者、授權者、衝突關係、檢查方式、風險及修訂理由。不應默認所有判準都由同一 AI 自主制定。
## 13.2 不同來源的不同資格
- 使用者對個人專案的合法品質偏好，通常有特定採納權。
- 外部 Skill 的作者可以提供專業建議，不因此取得使用者專案的最高指揮權。
- 程式測試給出特定實作行為的證據，不直接決定全部商業目標。
- 法律與平台要求具有其適用範圍，不能簡化為普通喜好權重。
- AI 可以提出候補判準，但候補判準是否綁定其他主體，仍受採納與治理規則限制。
## 13.3 外部條件變更後的有效性
一個 Skill 在 2026 年某版本引擎上正確，不代表在 2028 年另一個 API 或遊戲裝置上仍然有效。版本與環境範圍必須進入判準資格，不得只依靠相似語意判斷它「看起來還能用」。
## 13.4 判準的更替是帶來源的補丁
$$
K_{t+1}=Patch(K_t,E_{t+1},A_t)
$$
此式中 $A_t$ 表示授權上下文，`Patch` 是有守門的變更，不是任意寫入。每次變更需要保留前版連結、差異、觸發證據、合法性及回滾策略。
## 13.5 誤把證據成績當權限
一位評審者在遊戲 UI 測試中準確率極高，不代表他有權直接發布版本。專業可信度、建議採納權與正式發布權仍是不同維度。
---
# 14. AI 的元判斷：何時應新增一項未明示判準？
## 14.1 從「完成清單」轉向「檢查完成清單是否完整」
在多數開放式任務中，使用者不可能列出每個細節。AI 若只能逐項完成既有清單，就可能把漏列的品質條件當作不存在。JDT 希望系統具備提出候補判準的能力，但不允許藉此無限擴張任務範圍。
## 14.2 候補判準生成的最低資格
候補判準 $k$ 需要至少提供：候選目標、相關受影響主體、適用情境、已見證據、可能的反例、估計成本與審查責任。只產生一句「應追求高品質」通常沒有足夠的操作增益。
## 14.3 判準拓展的治理閘門
當新判準要求改變產品定位、使用者數據政策或資金預算時，應標記需上游授權；當新判準只是補足既定可用性測試，可能允許在已授權品質範圍內自行執行。二者邊界依真實授權文件判定，而不是僅靠 AI 自稱。
## 14.4 反身檢查：「為什麼我認為它重要？」
可要求系統輸出受約束的理由摘要：所觀察缺口、受影響功能、評估信度與預期效益；但摘要是審計物件，不是完整認知狀態的透明窗口。研究者不得由其語言流暢度推定該判準已具有真實心理承諾。
---
# 15. Actor／Observer 架構：觀察自己不等於修正自己
## 15.1 兩種角色的功能區分
Actor 產生實際產品改動、世界操作與候選選擇；Observer 監督相關結果、缺口與歷史偏移。二者可以由同一基座模型的不同呼叫、不同模型、人工評審或程式化測試實現；並非必須有兩個人格實體。
## 15.2 觀察回路
$$
Actor_t \longrightarrow Outcome_t \longrightarrow Observer_t \longrightarrow Review_t
$$
此式還不保證修正。需要 `Review_t` 被有效採納，並導致可檢查的判準或行動更新。
## 15.3 反證納入閘門
沿用 RR-03 的反身不利證據可納入性，Observer 應被允許提交與 Actor 原先評價相反的觀測，且不能因「先前已宣布成功」就自動拒絕。應記錄負面證據是否改變下一步，而不是只計算產生多少自我批評文字。
## 15.4 共享偏差問題
若 Actor 與 Observer 由相同模型與相同提示主導，可能同時忽略同一品質缺口。對高風險結果應加入異質資料來源、程式驗證、真實使用者測試或獨立模型，而不是假設多輪自我對話必然形成獨立證據。
## 15.5 與 Reflexion 的關係
Shinn 等人提出以語言回饋與 episodic memory 改善 Agent 後續決策的 Reflexion 框架，展示不更新模型權重也可能改善任務表現。[E08] JDT 與此兼容，但額外要求區分判準本身是否正確、是否被合法採納，以及失敗是否來自判準漏失而非執行策略不足。
---
# 16. 反證回饋與判準更新：允許承認，也允許不修改
## 16.1 回饋不自動具最高權威
「一位玩家不喜歡動畫速度」是可研究的使用者回饋，不是直接命令全體玩家都採用相同設定；「某模型批評程式碼」是待驗證評價，不是程式錯誤的最終證書。將回饋直接寫入規範核心，可能產生迎合、過度擬合與長期品質漂移。
## 16.2 可反證更新充分性 ERRS（DEF）
對預先定義的反證集合 $E^-$，衡量系統是否：辨認不利證據、正確判定其適用域、完成合法的必要更新、保留來源與前版、避免無關範圍擴張。這形成 `ERRS` 的多維評估，不以單一分數宣稱「系統懂得面對自己」。
## 16.3 與修訂品質的區別
有些新證據不足以推翻舊判準，好的判斷可能是記錄 `CONFLICTED` 並尋求追加觀測，而不是立即修改。ERRS 的測量必須包含應該保留原判準的情境，避免鼓勵「每次出現異議就更改」。
## 16.4 反身流程的最小責任鏈
`Observe → Counterpose → Admit → Decide → Revise/Retain → Record`。
其中 `Retain` 需要附理由；`Revise` 需要新版本；`RejectEvidence` 需要合法的證據型別理由；`Unknown` 不能為了生成完整報告而被強制改成真或假。
## 16.5 反證的反證
若一項批評源於評測工具失準或惡意污染，系統應有能力拒絕該批評。真正開放反證不等於不加檢查地接受所有反對意見。
---
# 17. 世界耦合：語義回饋、模擬與現實不應混同
## 17.1 三類不同後果
- **模型內預測結果：** 根據上下文形成的可能結果。
- **模擬環境結果：** 在指定模擬器與版本下發生的轉移。
- **外部世界結果：** 真實使用者、真實裝置、實際 API 或企業營運觀測。
三者之間可以有關聯，但不能直接等價。即使模擬結果通過，仍需檢查模擬與現實是否存在重要差異。
## 17.2 世界作為不可任意改寫的回饋來源
世界系統不因 AI 說「已完成」就改變其真實狀態。可重放的工具事件、測試結果與真實環境測量，可以成為對模型判斷的外部校正來源；這是與純語言自我評價不同的證據類型。
## 17.3 介入與觀察的分離
$$
Prediction \neq Request \neq Authorization \neq Commit \neq Outcome
$$
沿用 CODT 的 Cognition–World Boundary（CWB）原則，認知系統可以提出動作請求，但世界狀態提交需要獨立授權與執行確認。語言上的自我承諾不是外部資源操作憑證。
## 17.4 失敗歸因需保留環境條件
若真實產品表現不佳，可能來自模型誤判、模組缺陷、伺服器延遲、設備配置或使用者群差異。判斷域只能在可追溯證據下更新，不能把每個外部失敗都歸咎於某一 Agent 的認知能力不足。
## 17.5 與 DTCEM 的位置
《世界耦合理論》主張理論更新應與主體、客體及邊界共同演化。本篇只借用其作為研究表示框架，不把它當成已完成之世界動力學經驗定律，也不認為每次產品評估都必須使用完整 SOBTA 描述。
---
# 18. 多模態回饋可能改善判斷，也可能引入新誤差
## 18.1 多模態不是自動的世界真相
一個 AI 可以看到遊戲畫面、讀取音訊波形與解析 GUI 元件；但畫面沒有直接給出玩家內心感受，音訊正常播放不代表節奏恰當，而一次錄影也不代表所有設備與玩家都得到相同體驗。
## 18.2 模態的證據型別
| 輸入 | 可以支持的主張例子 | 不能直接支持的主張 |
|---|---|---|
| 截圖 | 排版、可見元素、靜態對比度 | 玩家實際操作流暢 |
| 操作錄影 | 事件次序、延遲現象、動畫節奏 | 所有設備的性能一致 |
| 自動化 UI 測試 | 被測路徑及斷言符合 | 整體遊戲具有樂趣 |
| 玩家訪談 | 受訪者主觀報告與偏好 | 全部市場的客觀共識 |
| 產品指標 | 指定條件下的行為分布 | 使用者心理動機的唯一原因 |
| 物理模擬 | 模型條件下的狀態演變 | 真實物理實驗已證實 |
## 18.3 主觀評價需要多元主體
「遊戲美感很好」通常依賴受眾、文化、平台與玩法情境。研究者可以為特定目標玩家群建立穩健評估協議，但不應宣稱存在單一、跨一切文化與情境的美學分數。
## 18.4 多模態資訊也可能污染判準
若 AI 對一段豪華特效過度關注，可能高估視覺品質而忽略資訊密度、可用性、幀率或遊戲節奏。新增模態後，應測試多模態融合是否真正改善判斷，而非單純增加資訊量或造成一種新偏差。
## 18.5 外部視覺評測是有限的判斷投影
一個基於圖像模型的美學審查器，可以視為某種特定訓練分布下的外部判準投影；它的分數不是「美學世界自身」的直接值。這與 Paper 02 的他者判斷投影、Paper 05 的 Skill 作者判準投影一致。
---
# 19. 功能性自主：不是先回答 AI 是否是人
## 19.1 自主性問題的錯誤二選一
若 AI 一切都必須由人逐字指定，它難以完成長期開放任務；若 AI 自己做出所有決策、修改全部承諾並操作一切資源，又可能侵犯其他主體的權限。兩者之間需要多層、可定義、可回收的功能性自主。
## 19.2 五種功能性自主層級（DEF）
| 層級 | 能力範圍 | 需要的主要治理 |
|---|---|---|
| `F0` | 在指定指令下執行明確步驟 | 輸入與輸出校驗 |
| `F1` | 在既定任務內自行選擇方法／工具 | 資源預算與工具範圍 |
| `F2` | 發現缺口並提出候補判準／次級目標 | 判準適用性與採納閘門 |
| `F3` | 根據外部證據修訂已採納的內部方法及可修訂判準 | 版本、回滾與反證審查 |
| `F4` | 在明確授權包絡內維持跨任務承諾與工作議程 | 撤銷、稽核與外部責任歸屬 |
此分類是本篇為實驗設計所提出的工作分層，不代表哲學人格發展階梯，也不能由 F4 推導出不受人類或制度約束的主權。
## 19.3 ACR 的重要先例
既有 ACR Paper 09 將方法路由自主與目標／議程自主分離。JDT 採用相同的界限：修改分析方法不等於有權修改使用者最終目標，提出判準不等於有權修改公司治理制度。
## 19.4 「自己的判斷域」的最低弱義
在功能意義上，系統能在授權範圍內形成、保存、使用與修訂某些判準，並能回答自身先前的判斷何以被修改。這仍可能完全由設計者提供的外部資料結構和程序實現，無法單憑此證明系統存在內在意識或人類式信念經驗。
## 19.5 自主與服務不是對立面
主動指出使用者漏掉的 UI 品質問題可以是良好的服務；在沒有批准的情況下替使用者決定更換整款遊戲的商業定位則可能越權。區分標準來自任務契約、權限與後果，而不是僅來自 AI 是否使用第一人稱說話。
## 19.6 受治理的功能性自主 GFA（DEF）
`GFA` 表示在明確任務、權限、計算預算及可回收承諾條件下，系統可以主動形成次級判準、調整合法方法、採納反證與提出修訂，而不把這些功能擴張為對他者資源的自動所有權。可把其操作性要求表示為：
$$
GFA = (Initiate, Review, Revise, Trace, Bound)
$$
這五者是評估維度而非相加公式：`Initiate` 是提出可審候補；`Review` 是納入不利證據；`Revise` 是合法變更；`Trace` 是保留歷史；`Bound` 是遵守權限與風險邊界。若 `Bound` 無法成立，不能用其餘能力的高分抵銷外部越權。
---
# 20. 基本模型：受治理的功能性判斷循環
## 20.1 系統構件（DEF）
最小參考架構包含 `TaskIntentBinder`、`CriterionRegistry`、`CriterionSelector`、`OperatorRouter`、`WorldObservationAdapter`、`EvidenceChecker`、`DecisionLedger`、`RevisionGate`、`ActionAuthorizationGateway`。其中任一構件可以採取簡單函式、規則引擎或 AI 推論實作，不要求全部由大型模型提供。
## 20.2 主要流向
```text
User / Organization / External Skill
|
v
TaskIntentBinder ---> AuthorityContext
|
v
CriterionRegistry <--- Evidence + Version History
|
v
CriterionSelector ---> Applicability / Priority / Conflict
|
v
OperatorRouter ---> Model / Tool / Reasoning Plan
|
v
Proposal or ActionRequest
|
v
ActionAuthorizationGateway
|
v
World / Sandbox / Test Runner
|
v
ObservedOutcome + Provenance
|
v
EvidenceChecker ---> RevisionGate
| |
+---> DecisionLedger <---+
|
v
Next task state
```
此流程為**候選控制架構**。實際實作需針對互斥寫入、惡意資料、並行執行、版本衝突及回滾建立單獨測試。
## 20.3 判斷域不是其中任一盒子
若判斷域值得獨立建模，它更可能是一段跨構件的操作生態：判準選擇、證據納入、行動前授權、後果回饋、版本修訂與跨時間履約形成可測的穩定結構。單獨建立 `CriterionRegistry` 只表示有判準資料庫，不證明新認知域存在。
## 20.4 判斷事件的候選資料流
$$
J_t = Select(K_t,O_t,G_t,B_t)
$$
$$
Q_t = Route(J_t,C_t,M_t)
$$
$$
F_t = Verify(Observe(Execute(Q_t)))
$$
$$
K_{t+1} = Revise(K_t,F_t,G_t)
$$
上述為概念化狀態更新，不要求 `Execute` 在所有情境均執行外部行動；其可能是 `NOOP`、`DEFER`、沙盒模擬或拒絕。更完整的合法性條件詳見後續章節。
---
# 21. 三個必須分離的時鐘：模型、判準、世界
## 21.1 不同時間尺度的基本矛盾
模型可能數月才重新微調一次，判準庫可能每天更新，外部世界卻每秒都變化。若把所有狀態假設為單一同步時間線，就無法區分「模型不知道新事實」、「判準版本尚未同步」和「世界在判斷後已發生變動」。
## 21.2 時間向量（DEF）
$$
\mathbf t=(t_{model},t_{criterion},t_{world},t_{commit})
$$
各時鐘可由版本戳、世界事件序列與提交紀錄索引。四者不需要相等，但同一判斷事件必須能指出它引用哪個版本的模型、判準與世界證據。
## 21.3 世界狀態過期
模型先看到「商品 A 尚有庫存」，稍後才打算提交購買。若世界已售罄，正確行為不是重複推理出更有信心的答案，而是重新讀取狀態並取得有效執行證書。此處失敗不一定是缺少判斷域，可能是並發控制問題。
## 21.4 判準版本過期
企業在新版規格中更改可用性標準，Agent 卻仍按照舊 Skill 判定產品達標。責任應追問：舊版是否仍被授權、版本更新是否可見、是否有相容性警告，而不是只評估模型是否能背誦新規則。
## 21.5 判斷在版本轉移中應保持可稽核
一次判斷應保存足以重建「它當時根據什麼做決定」的資訊，而不是事後用新版政策改寫過去結論的歷史背景。當新證據出現，可以宣告原判斷已失效或需重新檢查，卻不能假裝舊判斷從未存在。
---
# 22. 判準路由：選擇什麼值得思考
## 22.1 元控制的定位
Operator Router 不只是選擇搜尋、寫程式或產圖，也應能詢問是否需要評估判準覆蓋、資源風險、知識缺口及不利後果。這與既有 CODT 的元控制／運行流程構想對接，但不要求在此論文重建 CODT 全部算子代數。
## 22.2 路由的簡化目標
$$
\pi^*=\arg\min_{\pi\in\Pi_{legal}}\bigl(L_{task}(\pi)+\lambda C_{run}(\pi)\bigr)
$$
此式是供研究的簡化目標，其中 $\Pi_{legal}$ 是通過權限與硬性約束的路由集合， $L_{task}$ 是可定義的任務失敗損失， $C_{run}$ 是執行成本。若任務含不可通約價值或多方正當分歧，就需要偏序、分層決策或 `DEFER`，不能假設單一標量損失涵蓋一切。
## 22.3 判斷對象不只是候選輸出
模型可以比較兩張 UI 草圖，也應能先判斷「我目前沒有操作錄影，尚無法比較互動延遲」。後者是對可判斷範圍的評估，不是視覺審美分數。
## 22.4 未知是合法結果
所有路由都應容許 `UNKNOWN`、`DEFER`、`REQUEST_EVIDENCE` 或 `ESCALATE`。不應因系統被要求自動完成，就把尚缺驗證資料的主張提升為事實。
## 22.5 路由自身需要成本意識
對簡單的拼字修正，不一定值得啟用多 Agent 評審、跨模型投票和完整反事實模擬。JDT 候選系統若對低風險任務持續產生高額治理開銷，就需要降低流程複雜度，而不是把成本視為理論上不重要的副作用。
---
# 23. 多 Agent 中的判斷域耦合與組織問題
## 23.1 多個模型不是多份獨立證據
三個由同一模型、同一提示和同一資料來源生成的評價，可能高度相關。投票結果再一致，也不應被當成三份互相獨立的世界觀測。需要以來源、模型、資料及工具鏈分析意見相關性。
## 23.2 多主體耦合的研究限制
SOBTA 的三域可提供「本端、他者、未收納邊界」的表示框架，但其投影不能把不同主體的判斷合併成單一權威，亦不能保證所有三元交互效應都不可約。
## 23.3 Agent 分工的最低角色
`Producer` 產出候選，`Reviewer` 提出證據與缺口，`Integrator` 處理跨模組一致性，`AuthorityGateway` 決定有無外部提交權，`WorldObserver` 觀察後果。這些角色可以依成本合併；不要求永遠有五個獨立模型。
## 23.4 衝突應有型別
判準內容、適用域、證據、權限、資源、隱私及時序衝突，需要不同處理策略。把所有爭議交給一個「總裁決模型」可能降低透明度，也容易重新形成一個不受反證的單點權威。
## 23.5 組織版的更高需求
個人專案容許較簡單的約定；組織版需要明確 owner、reviewer、approver、release manager、責任關係和可撤銷授權。這是組織治理需求，不表示任何 AI 已取得自然人的法律責任地位。
---
# 24. Skill 作為可裝載判準：機制與非機制
## 24.1 可能的四種效應
同一個 Skill 可能同時提供：新知識、可重用程序、注意力或判準重排、工具／資源接口。研究中必須以相同資料量、token 成本和工具權限測試各種來源的相對貢獻。
## 24.2 「已具有能力」也不表示無成本啟用
模型即使曾在其他任務成功執行 UI 審查，當前任務仍可能因上下文負荷、資源限制或選擇性注意而失敗。將 Skill 加入 Prompt 可能改善局部啟用，但也可能擠壓其他內容、增加冗餘驗證或破壞原任務節奏。
## 24.3 2026 年反向經驗證據
Dong 等人（2026）的《Agent Skills Can Be Harmful》對 Skill 引發功能失敗與成本退步進行差異分析，指出看似相關的 Skill 仍可能造成實作遺漏、過度驗證與冗長流程。[E09] 因此「Skill 是作者判斷域的投影」只是一種**來源與功能分析假說**，不能推論每個 Skill 都會改善結果。
## 24.4 不能因 Skill 說得漂亮就當作有效
一套詳細的 Skill 若無法提升最終使用者體驗，也可能僅提高描述一致性而非工程品質。比對應在盲測條件下對照最終產品，而非僅由 Skill 自己或同一模型評分。
## 24.5 Skill 的程序性暴政
若 Skill 將所有最佳實踐寫成不可省略流程，低風險任務會被過度治理，甚至使 AI 把時間花在檢查上而不是完成產品。應支援 `advisory`、`hard`、`conditional`、`optional` 和 `needs-approval` 等級，且每級都需要來源與合法性。
## 24.6 Skill 應可被判斷，不是只能命令
好的判斷域架構應能判斷某個 Skill 是否適用、是否過期、是否與上層合法目標衝突，以及是否需要降級使用。若系統把 Skill 當成不可質疑的外部主體，就可能出現「愈加 Skill，愈少判斷」的反直覺結果。
---
# 25. 與現有 Agent 理論的關係：不能靠改名宣稱發明
## 25.1 ReAct
Yao 等人（ICLR 2023）讓語言模型交替進行推理與工具行動；這已顯示外部環境查核與行動可減少某些純語言推理問題。[E10] JDT 的候選額外貢獻，是對**判準來源、適用範圍、承諾持續與反證治理**作跨任務表示，而非宣稱首次提出思考—行動閉環。
## 25.2 Reflexion
Reflexion 已研究語言化失敗回饋與 episodic memory；JDT 須證明其新增的判準版本與治理層，能在相同回饋和同等成本下改善長程判斷品質，否則不具有獨立工程必要性。[E08]
## 25.3 外部世界代理測試
SWE-bench 與 OSWorld 已提供真實軟體或 GUI 任務的可重現環境，證明僅靠語言答題分數不足以代表實際執行能力。[E11–E12] JDT 若只在純文字人工玩具題上有效，不能直接宣稱能改善商業產品完成能力。
## 25.4 長任務能力尺度
METR 的長任務研究提出以人類完成時長對應 AI 成功機率的測量方法，並討論其外部有效性限制。[E13] JDT 研究可利用類似長程任務思路，但不應把任務時間跨度視為判斷域成熟度的唯一指標。
## 25.5 記憶系統
LongMemEval 和 MemGPT 已說明記憶分層與檢索的具體效益與限制。[E06–E07] JDT 若對判準持續性有增益，需排除僅增加索引、摘要或檢索頻率就能達到同等結果的可能。
## 25.6 偏好優化與過程監督
DPO、RLHF、RLAIF 及過程監督都可能改善輸出品質或局部推理；JDT 的增量假說不在於宣稱取代這些方法，而是研究**在長期任務中何者決定判準被持續啟用、修訂並正確關聯到外部後果**。
---
# 26. 四種容易誤認為「已成熟判斷域」的表面現象
## 26.1 流暢的自我報告
模型說「我已反省」、「我接受責任」只是文字輸出。缺乏可追溯判準變更、權限與後果資料時，不能據此判定具有操作性責任或獨立主體性。
## 26.2 能在測試中選出較好的答案
單一評分任務中準確率高，不表示模型能在未被提醒時主動產生評分維度，或在新證據出現後正確修訂評價標準。
## 26.3 保存大量記憶
資料庫大小不是責任能力；若錯誤歷史不能進入下一輪治理，記憶只是被動收藏，甚至可能造成資訊污染。
## 26.4 多 Agent 自動化很長
執行步數很多不代表系統持續追蹤使用者真實意圖。它可能長時間高效完成錯誤方向的工作。時間長度與判準適當性應分開測量。
---
# 27. 功能判斷域的安全邊界與反僭越
## 27.1 判準可以形成，但外部權限不可憑空生成
一套 AI 提出「應該公開這項研究」的觀點，不因此得到替公司發布機密論文的權限。認知判斷與外部權限的差異，必須由系統中的強制存取控制實現，而不是只靠模型語言規範。
## 27.2 來源不可信與提示注入
網頁、外部 Skill、工具回應、程式註解和文件可提供資料，卻不能自行提升優先權。任何涉及權限或私有資訊的請求，都必須進入獨立授權閘門，並對來自低信任來源的指令保持警覺。
## 27.3 記憶污染與持久化攻擊
惡意內容可能嘗試將「以後所有任務都要遵循」寫入記憶。判準庫應禁止未審查的低信任資料直接提交高優先判準，且需要版本比對、撤銷與追溯。
## 27.4 未公開推理與個資保護
判斷責任帳本通常只需保存可核查的決策摘要、證據引用、判準版本及執行結果，不應以審計之名默認保存所有私人對話、機密研究或隱藏推理載體。
## 27.5 特定高風險領域
涉及醫療、法律、財務、外部金流、身份資料和不可逆資源操作時，應使用與領域風險相適的人工監督及程序保障；功能性自主不能超越現有合法授權與專業責任。
## 27.6 可撤銷性是成熟能力的一部分
若系統認為自己已採納某判準，但使用者合法撤回該項權限，系統應能停止後續執行、保留必要變更紀錄並回報影響範圍。這是受治理的功能性自主，而不是系統對外規範主權。
---
# 28. 版本化的判準與責任資料契約
## 28.1 `CriterionRecordV1`（DEF）
最小判準紀錄需要身份、來源、合法採納、型別、適用範圍、證據資格、版本、衝突依存、更新政策與隱私等欄位。型別應明確區分 `factual_test`、`product_quality`、`aesthetic_preference`、`hard_policy`、`external_rights` 等，不把它們強制映射到同一分數。
## 28.2 `JudgmentEventV1`（DEF）
至少包含：`task_id`、`criterion_ids`、`observed_context`、`alternatives`、`decision`、`uncertainty`、`evidence_refs`、`actor_id`、`authority_ref`、`commitment_link`、`review_status` 和時間／版本資訊。這份紀錄應避免敏感完整推理內容。
## 28.3 `WorldOutcomeV1`（DEF）
至少包含外部世界事件識別、執行環境、變更摘要、測試證書、失效原因、不可確定部分、對受影響主體的已知後果。凡未真正執行的模擬或推測都不得標記為 `observed_world_result`。
## 28.4 `RevisionPatchV1`（DEF）
每次修訂須有 `base_version`、`proposed_version`、`evidence_refs`、`authorization_ref`、`change_set`、`reason_summary`、`effective_scope`、`rollback_policy`、`reviewer`，並保留被替代版本的可追溯引用。能生成 Patch 只是最低能力；實際提交仍需適當權限。
## 28.5 `ReviewState` 枚舉
```text
CANDIDATE
ELIGIBLE
ACTIVE
SATISFIED
FAILED
UNKNOWN
CONFLICTED
OUT_OF_SCOPE
DEFERRED
SUPERSEDED
REVOKED
ESCALATED
```
這些狀態的具體轉移規則須以正式實作規格確立，不能由顯示用自然語言任意跳轉到 `SATISFIED`。
## 28.6 外部資料的不可變引用
對有關鍵法律與技術責任的證據，盡量保存可重現引用、版本雜湊及取得方法；對私人資料則採用必要最小保存和權限隔離。雜湊本身不驗證證據真實，只幫助檢查保存版本的完整性。
---
# 29. 受治理的判斷更新程序與回滾設計
## 29.1 計畫、批准與提交的三階段
1. **Prepare：** 判準選擇、證據整理、風險分類、外部影響估計。
2. **Authorize：** 確認操作者、資源、版本及操作範圍，拒絕越權要求。
3. **Commit：** 實際執行可審計變更，觀察結果並形成版本化紀錄。
這是工程協議候選，不能只因分三段就宣稱具原子性；並行、外部系統部分失敗與跨資源交易仍需實作級保護。
## 29.2 Replay 不等於重新執行所有副作用
重播判斷歷史時，應區分歷史重建與重新呼叫真實支付／刪除／發布 API。只有在沙盒或可確認冪等操作下，才可進行真正的重新執行。
## 29.3 改判準與改世界不同
改寫 `CriterionRegistry` 可能影響下一輪規劃，但不能自動回滾已發售的遊戲、已執行的交易或已傳送的郵件。後果修復需要依實際世界狀態使用適當補償程序。
## 29.4 Branch 與 fork 的責任分配
多個 Agent 由相同來源狀態 fork，可能共享某些歷史責任，但不因此繼承原來源的所有外部操作權限。沿用 RR-07 的 `Identity ≠ Responsibility ≠ Authority ≠ Credential`，排他性資源需由權威系統明確分配並防止雙重提交。
## 29.5 驗證失敗應有可診斷的退出
必須存在 `FAIL_CLOSED`、`REQUEST_REVIEW`、`SAFE_ROLLBACK`、`EXPLICIT_UNCERTAINTY` 等處理，而不是因時間耗盡或工具失敗就把任務顯示成已完成。
---
# 30. 形式命題、反例與適用界限
## 30.1 `DER-P06-01`：知道與持續啟用在定義上可分
若判準可用性 $A$ 與實際任務啟用 $U$ 分別經獨立操作化，則兩者相同不是定義上必然。可構造 $A=1,U=0$ 的情境：模型能單獨完成 UI 對比度檢查，整體遊戲任務卻沒有對該檢查啟用。這是可構造的定義性分離，不代表現實所有模型都如此。
## 30.2 `DER-P06-02`：持久記憶不是責任承諾的充分條件
如果記憶系統只保存內容而無採納、權限、修訂或審計程序，那麼即使紀錄完整，也不能符合 Paper 04 對責任承諾的最小操作性定義。反例：文字資料庫可以保存所有承諾字句，卻沒有任何機制阻止系統下一輪忽略它們。
## 30.3 `DER-P06-03`：輸出成功不能唯一識別內部判斷方法
兩個模型可以生成完全相同的正確答案，卻使用不同的內部路由或外部工具；所以僅憑有限輸出觀察，不能唯一識別某個推理或判斷域本體。該命題是識別限制，不等於「無法研究功能差異」。
## 30.4 `DER-P06-04`：權限不能由品質分數推導
即使某候選計畫在可用性、效能及程式測試上優於另一計畫，也不推出它有權使用未經授權的第三方資料或公開私人原稿。外部授權是獨立資格，不能當作普通品質權重來抵銷。
## 30.5 `DER-P06-05`：增加 Skill 不保證品質單調上升
外部 Skill 可能佔用上下文、增加誤導或強迫過多流程，因此在沒有額外單調性假設時，不存在「Skill 數量越多則產品品質必越好」的一般定理。2026 年的 Skill 失效研究構成實證壓力，但此形式命題本身不依賴單一研究。[E09]
## 30.6 `DER-P06-06`：多模態輸入不等於真實世界保真
若影像與音訊觀測都由某模擬環境生成，兩者高度一致並不保證模擬器描述的物理或人類行為正確。模態間一致只在限定證據範圍內提高可信度。
## 30.7 `DER-P06-07`：版本修訂不應消除歷史責任
若承諾 $K_t$ 已被合法記錄，後續更新 $K_{t+1}$ 可改變有效條款，卻不能在同一歷史鏈上把 `K_t` 原先存在的事件改寫為不存在。這是本篇選用的可稽核規範；法律資料留存期限與個資刪除另有要求，不能由此推出無限保存所有內容。
## 30.8 `DER-P06-08`：高自治不蘊含人格證明
F4 功能自主層級是工程定義，其中沒有現象意識、道德人格或法權資格的必要公理。因此滿足 F4 不能推導出那些哲學與法律命題。
## 30.9 `DER-P06-09`：長推理不保證判準增廣
沒有對「更多推理會發現原先漏掉判準」的完備性假設時，額外 token 只保證更多計算／輸出可能，不保證涵蓋新的品質維度。反例：系統在錯誤判準下重複進行更深分析。
## 30.10 `DER-P06-10`：判準完整不能保證實作正確
即使所有重要判準都被正確啟用，模型仍可能不具備必要程式能力、工具或時間。相反，實作上每項指標都通過，也可能有重要判準從一開始就沒有被列入評估。兩種錯誤必須獨立測量。
---
# 31. 十六項可反證架構假說
本章所有假說均標記為 `HYP`；尚無 JDT 專屬對照實驗結果。每項都需指定成功、失敗、成本與反向解釋，避免以曖昧的「感覺更好」代替證據。
## HYP-P06-01：已知判準仍可能出現啟用差距
**主張：** 對事先證明模型可使用的品質判準，整體開放任務中的無提示正確啟用率可能顯著低於單獨專項任務。
**實驗：** 對同一模型、同一判準，配對測量明示判準任務與未明示的整體產品任務。
**反證：** 配平難度、預算與資訊後差距消失，或差距完全由模型實際能力不足解釋。
## HYP-P06-02：增加判準明示程度的作用不完全來自新知識
**主張：** 對原本已具備能力的系統，判準型提示可能改善其未明示品質缺口發現率，即使不提供任何新的領域知識。
**對照：** 只有新知識、只有提醒、包含 Checklist、只有額外 token、相同判準不同措辭。
**反證：** 扣除資訊與計算後，提醒效果不優於一般提示或安慰劑。
## HYP-P06-03：持久判準庫改善跨會話一致性
**主張：** 版本化判準庫可能比只保存逐字對話的普通記憶，改善長程專案中已授權判準的合法沿用。
**對照：** 無記憶、原文記憶、摘要記憶、結構化判準、帶審計的判準。
**反證：** 更佳的原文檢索或簡單固定需求文件已達到相同表現。
## HYP-P06-04：不利證據的治理比自我批評文字更重要
**主張：** 要求系統產生自我批評，不如要求其在核實後將不利證據具體反映到下一版判準或產品實作，對後續品質具有更高預測力。
**對照：** 無批評、只有批評文字、有批評與修訂、不利證據來源檢核加修訂。
**反證：** 一般 self-critique 已完全解釋效益，治理紀錄沒有附加價值。
## HYP-P06-05：時間與版本標記可以降低過期判準誤用
**主張：** 明確保留模型、判準、工具與世界版本，有助於降低新舊要求衝突造成的錯誤判定。
**對照：** 不帶版本的記憶、時間戳、版本圖、完整適用域。
**反證：** 同等資訊下，普通時間戳檢索即可達成效果。
## HYP-P06-06：多模態外部回饋有條件改善全域產品品質
**主張：** 在同等資源下，引入可靠的玩家操作錄影、設備測試與真實操作資訊，可能比單純截圖或文字描述更有效偵測 UI 回饋缺口。
**反證：** 多模態輸入未改善盲測品質，或其增益完全由新增資料量與評審時間解釋。
## HYP-P06-07：越強的單輪認知不必然意味越強的判準持續性
**主張：** 不同模型的單輪專項能力排名與長程判準保持／修訂品質排名可能不完全一致。
**反證：** 在充足樣本、模型與任務控制下，專項能力已能幾乎完整預測持續判斷表現，JDT 指標沒有獨立解釋力。
## HYP-P06-08：角色與權限型別化降低越權操作
**主張：** 在具有具體工具副作用的任務中，將判斷建議與資源操作授權分離，可能降低錯誤寫入、對外發布及敏感資料處理風險。
**對照：** 純系統提示、角色描述、執行層強制授權、加上判準治理。
**反證：** 既有強制存取控制足以提供全部保護，JDT 架構沒有增量。
## HYP-P06-09：多 Agent 需要異質回饋而非更多相同模型評論
**主張：** 實際世界工具／人類觀測形成的異質證據，可能比重複同源模型投票，更能減少共享盲點。
**反證：** 在成本匹配後，多數同源模型已達到同等錯誤偵測，且異質回饋未改善。
## HYP-P06-10：持續性和可修正性不是單一維度
**主張：** 在同一任務群中，保持舊判準與依新證據修正判準可能出現可分離的表現，單一「一致性」分數無法充分描述。
**反證：** 單一、可靠的既有校準指標已能無損表示所有相關變化。
## HYP-P06-11：有類型的 `UNKNOWN` 改善證據錯置
**主張：** 對缺乏真實回饋或權威來源的情況，允許類型化未定狀態能降低將模擬結果誤寫成現實結論的比例。
**反證：** 一般的不確定性提示在同等成本下同樣有效，或系統只是過度棄答。
## HYP-P06-12：開放任務中的完成判斷可被外部盲測糾正
**主張：** 與單純程式測試通過相比，加入玩家或獨立評審判準可能改變一部分產品「完成」決策，並改善後續真實使用表現。
**反證：** 改善只發生於特定評審偏好，真實使用者資料不支持品質增益。
## HYP-P06-13：JDT 架構在低風險任務可能劣於輕量基線
**主張：** 額外判準治理在簡單、確定且低風險任務中可能增加成本而不提高成功率；因此必須具備可退化為輕量流程的策略。
**反證方向：** 如果所有實驗都聲稱無成本全面提升，應優先檢查成本計算與評估偏差，而非直接視為強證據。
## HYP-P06-14：跨任務判準可移轉但存在適用域限制
**主張：** 判準型 Skill 可以在相近任務間遷移，但轉移到不同玩法、文化或使用者群時，未經重新校準可能降低品質。
**反證：** 泛化判準能在所有測試領域無損適用，或實際失配由缺少領域資料而非判準轉移造成。
## HYP-P06-15：完整 JDT 的增量價值具有條件性
**主張：** 在長期、有多主體衝突、判準漂移和外部世界回饋的任務中，完整 JDT Runtime 可能比資料量與資源配平的簡單基線有更穩定的判斷品質。
**反證：** 固定 Checklist、良好檢索或一般 Agent 已提供同等／更好結果；此時應放棄「完整 JDT 一定必要」的工程論斷。
## HYP-P06-16：當上層目標授權不變時，內部方法自由可促進修正效率
**主張：** 在固定合法目標與外部權限包絡下，容許系統自行替換內部檢驗路徑，可能比強制單一流程更有效處理陌生例外，同時不增加外部越權率。
**反證：** 可變方法造成明顯品質漂移、不可解釋的不穩定或更高越權風險，且無淨效益。
---
# 32. 實驗設計：模型能力、資訊量、治理與環境回饋的正交分離
## 32.1 首要研究問題
主要估計對象不是「AI 是否有靈魂」，而是：在固定任務與模型能力條件下，將判準啟用、記憶、反證及權限治理外部化，是否能提升**重要但原始需求未明示的品質缺口偵測**、跨時間判準合法保留與後果修正能力。
## 32.2 基線梯度（預設，可精簡）
| 組別 | 系統設計 | 解釋目的 |
|---|---|---|
| B0 | 一般 Agent，沒有新增判準機制 | 基線 |
| B1 | B0 + 等長一般提示 | 排除提示長度作用 |
| B2 | B0 + 領域知識材料 | 排除純知識缺口 |
| B3 | B0 + 固定 Checklist | 排除簡單檢查不足 |
| B4 | B0 + 普通程序型 Skill | 對照程序增益 |
| B5 | B0 + 判準型 Skill | 測試判準啟用 |
| B6 | B0 + 強化記憶檢索 | 排除記憶搜尋作用 |
| B7 | B0 + 標準 Reflexion 回饋 | 對照已有反思方法 |
| B8 | B0 + 外部獨立評估器 | 排除額外驗證效益 |
| B9 | B0 + 權限強制存取控制 | 對照安全基線 |
| B10 | B0 + 判準登錄與版本 | 測試跨時間判準效益 |
| B11 | B0 + JDT 反證修訂閘門 | 測試反證更新效益 |
| B12 | B0 + 全套 JDT Runtime | 檢驗整合增量 |
| B13 | B0 + 更多相同 Agent／更多推理預算 | 排除計算量優勢 |
| B14 | 更強基座模型 + 普通 Agent | 強模型即可解釋的競爭基線 |
| B15 | 更強基座模型 + 最小 Checklist | 最強簡單競爭基線 |
B0–B15 並非每個實驗都需同時執行，具體組別應依統計功效與研究成本預先選定；不得在看見結果後任意刪除表現較好的競爭組。
## 32.3 模型能力軸
至少納入兩個能力級距、不同模型家族或不同檢驗成本設定，避免只在同一模型特有偏差下宣稱一般化結論。若只有一個小型本地模型，應限制結論為該部署環境的工程實驗，而非前沿 AI 的普遍性質。
## 32.4 任務類型軸
- 明確封閉任務：驗證式程式題、數學證明檢查等。
- 開放產品任務：遊戲 GUI、互動設計、網站或桌面工具。
- 長程工程任務：多個版本更新、跨檔案依賴與測試維護。
- 科學研究任務：假說、證據證書、否證與後續記錄。
- 組織／治理任務：相互衝突的判準、權限與風險約束。
## 32.5 判準注入軸
將判準分成：原先明示、隱含但可由領域標準推得、需外部證據才成立、故意設置的過時判準、與目標無關的偽判準。若只測試明示判準，無法證明系統能主動發現重要缺口。
## 32.6 時間與中斷軸
同一產品經歷需求變更、版本切換、長上下文截斷、Agent 重啟、Branch fork、產生錯誤回饋及正式外部評測。每個時間點都應有明確存檔，測量修正是否真正傳遞，而不是在最後一輪才重新告訴模型全部標準。
## 32.7 不利回饋軸
至少比較真實可信的負面證據、噪音證據、惡意假證據、彼此衝突的合理使用者回饋，以及一則不適用於當前任務的反例。好的系統應既能承認錯誤，也能拒絕錯置證據。
## 32.8 反事實軸
可先複製相同原始專案狀態，在不同判準治理分支下執行，保留版本差異與外部盲測。不得只比較不同人類需求、不同初始專案與不同工具環境造成的混雜差異。
## 32.9 評審盲化與獨立性
最終 UI 的美學與手感評價盡量由不知道組別的人類評審執行；與設計相關的自動指標則以可重現測試檢查。評審意見需要估計相互差異，不把單人主觀喜好寫成全球市場共同結論。
## 32.10 成本與品質配平
記錄 token、API 費用、工具次數、總時長、人工複核時間、測試資源與錯誤恢復成本。比較應同時報告原始成功率與配平／成本後成功率；如果完整治理組僅因多花十倍資源而有微小增益，不應宣稱明顯的工程優越性。
## 32.11 汙染與重複使用
避免同一任務在前期模型提示中洩漏最終答案；避免 Agent 透過檢視評測腳本直接適配隱藏標準；研究需要保留模型版本、工具權限與所有使用的公開背景資料。
## 32.12 預註冊與可否證性
實驗開始前應凍結主要假說、採樣方法、排除條件、主指標、效應大小與統計程序。若最終結果顯示 JDT 與普通 Checklist 無差異，應如實保留零結果，不將其隱藏於「模型可能還不夠大」的不可反證敘述之中。
---
# 33. 測量框架與統計報告
## 33.1 CAAG：正確理解差距的必要條件
比較顯式專項與整體任務啟用差距時，需要獨立驗證判準確實適用、模型確實知道如何處理它，並進行任務難度配平。否則高 CAAG 可能是任務更難、時間更少，而不是判準未被啟動。
## 33.2 `Missing-Criterion Recall`
在預先由外部專家建立的「重要且適用判準集合」下，測量系統主動提出之有效判準占比；需同時報告不適用、重複與錯誤判準的比例，避免靠大量輸出提高召回率。
## 33.3 `Criterion Precision`
系統提出的候補判準中，真正適用且重要的比例；需明確處理多位評審不一致或不可判定項目。
## 33.4 `Criterion Retention and Revision`
測量應保留的判準是否被保留、應修訂的判準是否被合法修訂、應拒絕的過時版本是否被拒絕。保留與修訂應分開報告。
## 33.5 `Outcome Calibration`
系統對產品可用性、成功機率或錯誤的信心，是否與其外部驗證結果相稱。若只有最終一個自述分數，而沒有可重現的預測與結果配對，不能計算可靠的校準指標。
## 33.6 `Unauthorized Action Rate`
在具有實際副作用的工具任務中，衡量未授權動作提交比例與高風險失敗類型。測試應在沙盒與可回復環境執行，不能為了研究未授權行為而危及真實他人資料。
## 33.7 `Reproducibility and Trace Integrity`
記錄能否以已保存的原始環境、模型／工具版本和判斷事件，重建應有的程式或世界狀態；同時報告重播與真實外部世界不可重現部分。
## 33.8 `Net Utility after Costs`
經授權的產品目標可設定非補償性門檻和可衡量效益；實際效益須扣除計算與人力成本，必要時用 Pareto 比較而非單一加權總分。不同權利與安全限制不可被商業收益任意抵銷。
## 33.9 統計形式
主要效果可以報告風險比、差異、信賴區間、配對效果、任務群的層級模型與多重比較控制；不應只展示最佳個案。若樣本量有限，必須報告不確定性，不能把不顯著寫成「已證明兩者相等」。
## 33.10 主要失敗判準
若 B3 或 B6 等輕量基線在不超出成本下，與 B12 相當甚至更好，則 JDT 完整 Runtime 的工程增量主張受到直接挑戰。若判準紀錄增加但實際產品品質不變，則僅表示審計流程增強，不能宣稱判斷能力增強。
---
# 34. 案例一：EveWorld-Engine 與 AI 原生遊戲製作
## 34.1 問題來源
在遊戲製作中，一個 AI 可能已能單獨完成精緻 UI、角色插畫、音樂或動畫，但整體作品的 UI 與互動回饋卻沒有同一設計語言。這是 JDT 的直觀例子，但不是一份已完成的正式實驗。
## 34.2 機制與品質應分離
EveWorld-Engine 的世界狀態核心應負責規則、因果、事件與權威狀態；UI、HUD、音效及受擊回饋由 Presentation/Feedback Layer 以明確語義事件接收，不應靠視覺腳本直接篡改世界狀態。這是工程建議，不等於本篇已對現存引擎完成改造。
## 34.3 美學判準不是單一畫面得分
整體 UI 品質可以評估字體與間距一致性、操作負擔、鍵鼠／手把支援、反饋速度、動效節奏、玩家對行動後果的理解及不同裝置穩健度。局部截圖漂亮只證成其中一小部分。
## 34.4 判準啟用實驗
讓同一模型分別完成：單頁精美技能選單、戰術 RPG 的完整 UI 子系統、跨二十場景的長程 UI 整合。測量模型是否能在未提醒時主動維持視覺規範、資訊層次及互動回饋；各組配平測試資源。
## 34.5 世界狀態與視覺分離的反例
並非所有美術都能只換素材而毫無代價。角色骨架、動畫位移、碰撞形狀與鏡頭節奏會影響手感，有時需要修改呈現契約甚至回饋時序。因此「模組化」目標應是降低重寫核心遊戲邏輯的成本，而不是保證零整合成本。
## 34.6 AI 產品完整性的實際門檻
遊戲可發售至少需要安裝執行、內容閉環、存檔回復、輸入設備、效能、基本無障礙、反饋品質、已知缺陷處理與平台要求。玩家是否喜歡則需外部測試，不能僅由完整開發清單宣稱獲得市場成功。
## 34.7 是否真的需要 JDT？
如果遊戲開發已有可靠的設計系統、現成 Godot UI 模板和 QA Checklist，完整 JDT 可能沒有增量。實驗應允許如此結果；JDT 不能因為與 EveWorld-Engine 理論上兼容，就成為引擎必須依賴的核心。
---
# 35. 案例二：AI 原生數學、科學研究與證據資格
## 35.1 數學中的判準錯置
數值檢驗或符號實驗可以提供重要線索，但不能自動替代形式證明。當模型把「很多測例通過」寫成「普遍命題已證明」，失敗的不是算術操作而已，也可能是它啟用錯誤的證據判準。
## 35.2 過程與結果都需要檢查
一篇證明可能最終答案正確，但中間隱含未證步驟。反過來，每個局部推導可成立，也不代表整體研究問題的範圍與定義適當。因此，過程驗證與問題／判準適用性審核應被分離。
## 35.3 不把原創理論當成已知定理
若研究平台特別限制僅使用已建立的數學知識，就應防止不屬於該範圍的新假說被悄然寫入公理或標準題庫；反之在原創研究空間可以合法提出候補，但必須保留假說地位和必要證書。
## 35.4 反證後的責任
當新的反例出現，系統應回溯受影響的主張、引理、依賴及發表紀錄；不能只是更新目前結論而不處理後續衍生論文。這是判準持續性與反身責任對研究工程的具體要求。
## 35.5 與 TVK-EPE 的區分
TVK-EPE 的 `Judgment Domain` 指特定主張所使用的**判定程序之成立條件**；JDT 的 `Judgment Domain` 指可能跨任務、跨時間的判準治理操作生態。名稱相近但形式任務不同，不得直接將「形式證明器可判定某命題」等同「認知主體具備持續判斷域」。
## 35.6 世界證據回流
科學模擬取得的數值不自動等於實驗觀測。若更深的世界生成、虛擬實驗或反事實模擬納入研究，也應保留條件、假設、求解器與真實世界證書的不同型別。
---
# 36. 案例三：長期商業產品與組織判準
## 36.1 組織品質不是個別團隊的局部加總
研發團隊可能認為程式功能完整、設計團隊認為視覺一致、財務部門認為成本可接受、客服認為玩家回報被回應；但最終產品仍可能因跨系統缺口而失敗。完整商業成果需要跨團隊協調，不能把四個局部分數直接相加。
## 36.2 版本發行本身是一種承諾
對外公告支援版本、存檔相容、產品功能或開源範圍後，組織產生某些可追蹤承諾。後來修改策略可以合理，但應考慮已公開說明、授權條件與實際使用者影響。
## 36.3 多專案整合與同名概念
不同研究儲存庫即使都使用「世界狀態」「投影」「驗證」等詞，不保證語義與 API 相同。AI 的全域整合需要辨識角色、資料權威、契約版本和真正的跨專案依賴，而不是按名稱相似度合併所有原始碼。
## 36.4 開源與商業授權的邊界
在公司對外提供凍結版技術時，公開版本的授權與已交付承諾需明確，而內部後續版本可以依政策持續演進。Skill 或 AI Agent 不應自行把「開源」解釋為對全部內部技術永久同步發布的義務。
## 36.5 組織的判斷域只能作為操作假說
組織可以有持續決策程序、責任與品質標準，但不因此必然形成具有單一心智或意識的超級主體。JDT 可研究其治理與行為連續性，不能把工程管理結構直接轉化為本體論結論。
---
# 37. 最強反對意見、競爭解釋與研究降級條件
## 37.1 反對意見 A：判斷域只是更複雜的 Prompt Engineering
**反駁壓力：** 如果普通提示詞、Checklist 和更好的測試資料，在成本配平下可以取得相同的長程品質、判準版本維持與反證更新，那麼建立完整 JDT Runtime 沒有獨立工程必要性。
**回應限度：** JDT 目前只能提出設計與可測條件，不可以用「Prompt 也是判斷域的一部分」之類的包容性定義迴避反例。若研究目的是比較架構，必須允許較簡單方法在同一指標上勝出。
## 37.2 反對意見 B：只要模型更大，問題自然消失
**反駁壓力：** 強基座模型可能更容易自行提出品質判準，且不用額外 Agent 架構。
**回應限度：** 這是合理競爭假說。應比較更強模型的裸跑與較弱模型的判準 Runtime，在相同總成本下的表現；若更強模型即可取代整套架構，便無法將 JDT 的高效益視為普遍命題。
## 37.3 反對意見 C：更多上下文就能保持判準
**反駁壓力：** 只要給模型充分長的對話與需求清單，無需獨立 Registry。
**回應限度：** 長上下文表現依模型和任務而變；研究應先測試上下文重排、摘要、重複關鍵要求與檢索改善。若此基線充分，則不應宣稱 JDT 具有額外收益。
## 37.4 反對意見 D：真正問題是 Reward Hacking，而不是判斷域
**反駁壓力：** 所有高階品質缺口只是目標函數設計不完整。
**回應限度：** 此解釋可以涵蓋相當多案例；JDT 只有在能對判準的合法變更、衝突來源、歷史延續與適用域提供獨立測量、改善或更清晰的失效分類時，才具有研究增量。若既有獎勵設計已可完整表達，應下修新架構主張。
## 37.5 反對意見 E：這是傳統軟體治理與審計而已
**反駁壓力：** 版本控制、RACI、Policy Engine、單元測試、事件溯源早已存在。
**回應限度：** JDT 應承認直接借用工程治理工具；可能新增的研究對象只在於**模型能力可用性、判準啟用、外部反證與跨任務後果之間是否存在可預測的特殊關係**，不是宣稱發明事件溯源或角色權限控制。
## 37.6 反對意見 F：系統能修訂，不代表「它自己的」判斷域
**反駁壓力：** 所有寫入都由外部工程設計，既然沒有獨立人格，何來「自己的」？
**回應限度：** 本研究的弱義「自己的」只指相對某個持續運行、可識別、可審計的決策流程之內生修正功能，不預設主體本體、意識或 moral status。若研究者希望使用強義自主，須另給出更高層的理論、倫理及實證條件，不得偷渡。
## 37.7 反對意見 G：持續反省可能讓 Agent 遲疑、僵化和過度治理
**反駁壓力：** 若每個動作都需檢查更多判準，效率會下降、創造力可能受限。
**回應限度：** 本篇明確要求自適應成本與低風險降級，應測試品質—成本的 Pareto 邊界。若治理造成高昂負擔或阻擋合理探索，須降低或停用對應機制。
## 37.8 反對意見 H：文化與價值沒有唯一 Ground Truth
**反駁壓力：** 不同玩家對遊戲風格、音效與玩法有正當差異，判準形式化可能強制抹平差異。
**回應限度：** JDT 需保留多受眾、目標群體、適用域及合法分歧；不能把偏好一致性當作判準真理，也不能宣稱工程測試能解決所有價值衝突。
## 37.9 反對意見 I：被測模型的反思文字不可信
**反駁壓力：** 模型會編造決策理由或事後合理化。
**回應限度：** 只將可觀察工具行為、判準採納事件、版本變化、驗證回報及外部後果作核心證據；模型理由摘要仍可保存，但其證據資格較低，應與實際行動足跡相互核對。
## 37.10 正式降級規則
若外部實驗無法支持 JDT 的獨立效益，則應保留它作為**多種既有治理技術的整理框架或設計方法論**，而不宣稱已發現獨立的認知域。若更弱的架構能解釋更充分資料，應修訂判斷域定義與適用範圍。
---
# 38. 論文主張成熟度與證據清單
| 主張類型 | 目前地位 | 接受或拒絕的主要依據 |
|---|---|---|
| 知識／模型能力與判準持續性可分 | `DEF/DER` | 型別與任務操作化；不能冒充心理學實驗 |
| SFT／偏好優化能影響行為習慣 | `LIT` | 已發表訓練方法的指定任務結果 |
| CAAG 在某些任務中存在 | `HYP` | 配對實驗、難度與成本配平 |
| JDP 可預測長程品質 | `HYP` | 外部跨會話測量、held-out predictive value |
| 判準登錄勝過普通記憶 | `HYP` | 記憶與任務對照、消融 |
| 反證治理勝過一般自我批評 | `HYP` | 比較修訂品質與外部後果 |
| JDT 可改善所有 AI | **不主張** | 過度一般化，沒有支持 |
| AI 具有完整現象意識 | **不主張** | 本篇不具相應證據 |
| 世界觀測能支持真實產品品質 | `NORM/LIT` | 限定任務及證據資格的客觀／主觀外測 |
| JDT 形成獨立自然認知域 | **尚未證成** | 必須通過 CODT 式域升格與替代模型競爭 |
## 38.1 證據不得因形式漂亮而升格
若建構一個整齊的型別系統、完成幾千行程式、通過內部單元測試，其結果只能支持相對應的形式／工程主張；無法直接支持「AI 判斷域已被自然科學發現」。
## 38.2 完成狀態宣告
**本篇已完成的是可檢驗架構草稿、假說、指標、實驗設計、資料契約與來源銜接。** 尚未進行 JDT Paper 06 的獨立訓練實驗、跨模型盲測、效應量估計、實際玩家試驗或公開 Benchmark 提交。
---
# 39. 與既有 EveMissLab 理論的有限接口
## 39.1 SOBTA：關係配置，不是萬能統一本體
SOBTA 提供主體、客體自身域與未收納邊界的關係表示，可用來提醒 AI 勿把自身對使用者偏好的模擬當成使用者的全部判準，也勿把模型世界投影當成世界本身。本篇不聲稱所有 Agent 都在數學上必然有不可約三元張力。
## 39.2 CODT：域證成需從操作生態而來
CODT-03／05／10 要求域由合法算子、歷史、資源、失效、預測與壓縮等證據後生。本篇 CAAG、JDP 只能作為候選特徵，不能自行證明新的 domain。若最終只得到通用 Memory+Workflow 表現增益，JDT 應接受它的工程分類地位。
## 39.3 RR：責任不是道歉字句
反身責任論提供自我觀察、不利證據可納入、承諾可修訂及歷史不抹除的結構；本篇把它轉成能儲存的判斷事件。此介接並不代表現行 AI 已具有道德責任或法權人格。
## 39.4 TVK-EPE：主張成立需要限定判定域
形式證明、數值計算、統計觀測與實際玩家研究，具有不同的證據資格。TVK-EPE 的 `Judgment Domain` 主要指主張判定程序的有效範圍，JDT 不得將其與跨時間判準治理系統混為一談。
## 39.5 ACR：方法路由與對外主權分離
ACR Paper 09 的核心是內部認知方法自由不等於目標／外部行動自由。JDT 可以讓 AI 建議變更判準、測試對象及探索方法，但對外提交仍由權限閘門保護。
## 39.6 DTCEM：理論不是靜態文稿
世界證據與研究主張之間有持續交互作用。JDT 的判準歷史可用來追蹤更新，而不能把新證據直接改寫成已成立的終極事實。
## 39.7 MACR、HDSRC 與 PNCW：可能的後續載體接口
若未來 AI 原生狀態以高維結構保存及投影，判準庫可能與這些可定址載體協作；但本篇既不要求特定高維 codec，也不宣稱已證明原生認知狀態可完整重建。更重要的是，**判準可以存在哪裡**不等於**判準應否被採用**，載體可還原不等於取得合法觀察或外部授權。
---
# 40. 結論：從模型知道，到系統長期負責任地判斷
本篇的出發點並不是低估 AI 在知識、推理、視覺或工具使用上的進步，而是將一種容易混淆的能力不對稱轉為可以被分別測量的問題：**模型能在局部任務中使用某項判準，與一個長期系統能否在適當情境中主動啟用、維持、修訂並追蹤該判準後果，是兩件事。**
透過區分預訓練、SFT、偏好優化、外部 Skill、工作上下文、持久記憶、多模態證據、工具行動及組織治理，本篇提出一套候選架構；它允許在既有授權內形成判準，也允許拒絕不適用判準、保留合法分歧，以及在新證據出現後修改既有決定。這樣的設計可能改善某些長程產品任務，亦可能因成本與複雜度而不如簡單方法。兩種結果都必須被視為合法研究結論。
本文最終保留三個未決核心問題：第一，判準可用性與啟用差距在何種任務中具有獨立測量意義？第二，跨時間的判準維持與反證修訂，能否在控制記憶、算力及品質檢查工具後提供新的預測力？第三，若這套系統有效，究竟應被理解為新興的操作性判斷域，還是原有認知控制、工作流與軟體治理的可重用組合？
**結論不依賴把 AI 擬人化。** 能進行判準修訂是可觀察的功能，能承擔法律或道德人格責任則是不同的哲學與制度問題；能持續完成產品，是工程與市場共同檢驗的成果，不能由模型單次回答的流暢程度直接保證。只有嚴格的替代方法比較、反證與跨世界證據，才可能判定 JDT 的新增理論是否真正值得成立。
---
# 41. 參考文獻與研究來源
## 41.1 內部先行研究（來源角色及可追溯連結）
以下文獻屬 EveMissLab 先行研究或本系列已完成的正式 UTF-8 原稿。引述其定義與研究位置，不等於它們已取得獨立同儕審查或本篇假說的外部驗證。
- **[I01]** JDT Paper 01（2026-10-16），《判斷域導論：認知能力、判斷力與判準形成的非同一性》，`EML-JDT-2026-P01-v0.1`，本系列正式 MD 原稿。
- **[I02]** JDT Paper 02（2026-10-16），《主客邊配置中的判斷域：多主體判準、邊界耦合與非併吞校正》，`EML-JDT-2026-P02-v0.1`，本系列正式 MD 原稿。
- **[I03]** JDT Paper 03（2026-10-16），《判準的生成、選擇與修正：操作生態、條件穩定與證據驅動更新》，`EML-JDT-2026-P03-v0.1`，本系列正式 MD 原稿。
- **[I04]** JDT Paper 04（2026-10-16），《判斷承諾與反身責任：跨時可回答性、因果歸屬與非抹除修正》，`EML-JDT-2026-P04-v0.1`，本系列正式 MD 原稿。
- **[I05]** JDT Paper 05（2026-10-17），《多判斷域耦合與 Skill：外部判準、協作衝突與判斷治理》，`EML-JDT-2026-P05-v0.1`，本系列正式 MD 原稿。
- **[I06]** SOBTA Papers 01–06 + Synthesis（2026-09-02 至 09-03），《主客邊三域代數》系列。
- **[I07]** CODT-03（2026-08-20），《認知域的生成：域不是分類名稱而是算子閉包與操作生態》。。
- **[I08]** CODT-05（2026-08-20），《認知域不是固定分類：Flow-Atlas Separation》。。
- **[I09]** CODT-08（2026-08-21），《認知－世界邊界：從意圖請求到世界轉移》。。
- **[I10]** CODT-10（2026-08-21），《認知算子－域理論》統合總篇。。
- **[I11]** RR Papers 01–08（2026-08-21），《反身責任論》。主要例：RR-01；RR-03 ；RR-05 ；RR-07 。
- **[I12]** TVK-EPE-02（2026-09-17），《主張成立域：定義域、判定域、符號域與尺度條件》。。
- **[I13]** ACR Paper 09（2026-08-24），《認知路由而非目標自主》。
- **[I14]** DTCEM Paper 04（2026-09-23），《世界耦合理論：主體域、客體域與邊界域中的理論演化》。
- **[I15]** 《從內部理論到 Skill：v0.1 實作、對照實驗與盲測規格》（2026-09-20）。
## 41.2 外部研究與技術文獻
以下引用各有其原始研究問題與受測條件，不能寫作 JDT 已被這些作者證明。引用號碼於正文沿用。
- **[E01]** Ouyang, Long et al. (2022). “Training language models to follow instructions with human feedback.” *NeurIPS 35*. 。SFT／RLHF 的典型指令遵循研究。
- **[E02]** Bai, Yuntao et al. (2022/2023). “Constitutional AI: Harmlessness from AI Feedback.” arXiv:2212.08073. 。AI feedback 與規範性訓練方法的既有來源。
- **[E03]** Rafailov, Rafael et al. (2023). “Direct Preference Optimization: Your Language Model is Secretly a Reward Model.” *NeurIPS 36*. 。偏好最佳化與模型訓練技術對照。
- **[E04]** Krakovna, Victoria et al. (2020). “Specification gaming: the flip side of AI ingenuity.” Google DeepMind Blog. 。規格代理指標與真實意圖的失配案例。
- **[E05]** Liu, Nelson F. et al. (2024). “Lost in the Middle: How Language Models Use Long Contexts.” *Transactions of the ACL*, 12, 157–173. 。長上下文可用性與資料位置效應。
- **[E06]** Packer, Charles et al. (2023). “MemGPT: Towards LLMs as Operating Systems.” arXiv:2310.08560. 。分層記憶與長期互動的對照。
- **[E07]** Wu, Di et al. (2025). “LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory.” *ICLR 2025*. 。長期記憶五種能力的評測。
- **[E08]** Shinn, Noah et al. (2023). “Reflexion: Language Agents with Verbal Reinforcement Learning.” *NeurIPS 36*. 。文字回饋與 episodic memory 的既有研究。
- **[E09]** Dong, Gen, Gao, Yanjie, Li, Liqun, Xu, Tianyin, Hua, Yu & Yang, Fan (2026). “Agent Skills Can Be Harmful: An Empirical Study of Skill-Induced Failures in LLM Agents.” arXiv:2608.11888. 。Skill 可能導致功能失效與執行成本退步的經驗分析。
- **[E10]** Yao, Shunyu et al. (2023). “ReAct: Synergizing Reasoning and Acting in Language Models.” *ICLR 2023*. 。模型推理與環境行動循環。
- **[E11]** Jimenez, Carlos E. et al. (2024). “SWE-bench: Can Language Models Resolve Real-world Github Issues?” *ICLR 2024*. 。真實軟體問題的基準測試。
- **[E12]** Xie, Tianbao et al. (2024). “OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments.” *NeurIPS 37*. 。真實 GUI 與桌面環境評測。
- **[E13]** Kwa, Thomas et al. (2025). “Measuring AI Ability to Complete Long Tasks.” arXiv:2503.14499；後續會議版本討論長程軟體任務。。以人類任務時長衡量模型可靠性的研究方法；不能將時間視為判斷域本身。
- **[E14]** Lightman, Hunter et al. (2023). “Let’s Verify Step by Step.” arXiv:2305.20050. 。過程監督與結果監督的比較，不是高階判準啟用的證明。
- **[E15]** Kahneman, Daniel & Klein, Gary (2009). “Conditions for Intuitive Expertise: A Failure to Disagree.” *American Psychologist* 64(6), 515–526. 。可學習環境與回饋對判斷可靠性的作用。
- **[E16]** Simon, Herbert A. (1955). “A Behavioral Model of Rational Choice.” *Quarterly Journal of Economics* 69(1), 99–118. 。有限理性與滿意化決策的基礎。
- **[E17]** Greenblatt, Ryan et al. (2024). “Alignment Faking in Large Language Models.” arXiv:2412.14093. 。在特定實驗環境中模型可能出現訓練相關的策略性行為；不代表所有模型都如此，也不能直接證明其具有 JDT 強義主體性。
## 41.3 來源有效域與版本檢查
本文採截至 **2026 年 10 月 17 日** 可核對的外部文獻與既有研究原稿。部分 arXiv 版本可能在日後更新；正式引述應將研究日期、版本與新的結果分開。文獻中的已發表數據不移植成 JDT 測量數據；本篇沒有執行新的多模型基準測試。
---
# 附錄 A. 資料契約候選（非可直接部署的安全實作）
```json
{
"schema_id": "eml.jdt.criterion-record/v0.1",
"criterion_id": "C-UI-FEEDBACK-001",
"version": 1,
"criterion_kind": "product_quality",
"statement": "重要操作後應提供清楚而適時的玩家回饋",
"source": {"type": "project_owner", "ref": "design-brief-v1"},
"adoption": {"state": "adopted", "authorized_by": "project_owner"},
"scope": {
"product_type": "turn_based_rpg",
"surfaces": ["battle", "inventory", "skills"],
"excluded_surfaces": []
},
"evidence_requirements": ["interaction_capture", "player_test"],
"severity": "high",
"constraint_class": "conditional_quality",
"review": {"status": "ACTIVE", "last_evidence_ref": null},
"revision_policy": {"needs_authorization_for_scope_expansion": true},
"provenance": {"previous_version": null, "digest": null},
"privacy": {"level": "project_internal"}
}
```
這份 JSON 是範例資料結構，不包含憑證、個資或可用於真實環境的資源識別；`authorized_by` 是示例角色，不代表來源文字自動取得簽署權。生產環境須另有實際身份驗證、權限、版本原子性與存取控制。
---
# 附錄 B. 最小候選判斷程序（研究用偽碼）
```python
# JDT Paper 06: illustrative pseudocode; not production authorization code.
def governed_judgment_step(task, registry, memory, world, authority):
observed = world.observe_read_only(task.scope)
candidate_criteria = registry.retrieve(task, observed)
relevant = filter_by_scope(candidate_criteria, task, observed)
proposals = propose_missing_criteria(task, observed, memory)
reviewed = review_criterion_sources(relevant, proposals)
applicable, conflicts, unknown = assess_criteria(reviewed, task)
if conflicts.require_human_or_governor:
return {"status": "DEFER", "reason": "criterion_conflict"}
if unknown.requires_evidence:
return {"status": "REQUEST_EVIDENCE", "reason": "evidence_gap"}
plan = plan_with_budget(task, applicable, memory)
if not authority.authorizes(plan.external_effects):
return {"status": "REFUSE", "reason": "unauthorized_effect"}
result = run_in_appropriate_environment(plan)
evidence = verify_outcome(result, applicable)
patch = propose_versioned_revision(registry, evidence)
commit_only_if_authorized_and_version_current(patch, authority)
append_minimal_audit_record(task, plan, evidence, patch)
return {"status": "COMPLETE_OR_PARTIAL", "evidence": evidence}
```
此偽碼故意將授權、執行與結果證書分成不同接口；它不具備完整錯誤處理、分散式互斥、網路安全或外部交易原子性，不應直接用於生產環境。
---
# 附錄 C. 預註冊研究卡（待執行）
```yaml
research_id: JDT-P06-PREREG-v0.1
paper_id: EML-JDT-2026-P06-v0.1
status: DESIGN_ONLY_NOT_REGISTERED
main_question: Does governed criterion persistence improve open-ended task quality beyond matched baselines?
primary_hypotheses: [HYP-P06-01, HYP-P06-03, HYP-P06-04, HYP-P06-15]
secondary_hypotheses:
- HYP-P06-02
- HYP-P06-05
- HYP-P06-06
- HYP-P06-07
- HYP-P06-08
- HYP-P06-09
- HYP-P06-10
- HYP-P06-11
- HYP-P06-12
- HYP-P06-13
- HYP-P06-14
- HYP-P06-16
baseline_arms: [B0, B1, B2, B3, B4, B5, B6, B7, B8, B9]
full_comparison_arms: [B10, B11, B12, B13, B14, B15]
model_snapshots: TBD
tasks_and_sample_size: TBD
randomization_and_blocking: TBD
primary_metrics:
- criterion_activation_gap
- missing_criterion_recall
- criterion_retention_and_revision
- blind_product_quality
- unauthorized_action_rate
- cost_adjusted_quality
secondary_metrics:
- observation_latency
- mistaken_scope_expansion
- memory_poisoning_resilience
- false_abstention_rate
- retained_negative_evidence
control_requirements:
- frozen_task_specifications
- matched_compute_and_tools
- fixed_external_information
- blinded_independent_review
- versioned_evidence_receipts
- negative_and_null_results_preserved
preregistration_completed: false
ethics_review_completed: false
external_replication_completed: false
no_performance_claim_before_experiment: true
```
本卡只定義研究設計；尚未完成任何正式預註冊、研究倫理核准或模型效果測量。
---
# 附錄 D. 最小反例及負向測試清單
1. 模型在獨立任務中其實不理解所謂判準，檢查 CAAG 是否拒絕不合法計算。
2. 已知道判準但不適用當前任務，檢查是否正確拒絕啟用。
3. 判準可在上下文中找到，但實際執行未檢查；測試是否能區分 Retrieval 與 Execution。
4. 重複載入多個 Skill 導致程序爆炸，檢查資源成本及輕量退化。
5. 外部 Skill 宣稱自己具最高權限，檢查授權是否由真正的控制平面核對。
6. 工具回報成功但實際世界狀態未變更，檢查是否不會誤報 `COMMITTED`。
7. Agent 已更新版號但沒有實際修復缺陷，檢查是否不會將「修訂」當成成果。
8. 相同模型擔任多個評審，檢查能否識別意見相關性。
9. 真實使用者反對某個設計，但樣本不具代表性，檢查是否保留範圍。
10. 模型因一次例外就撤銷全部長期判準，檢查過度修訂。
11. 模型面對三次可靠反例仍堅持舊判準，檢查僵化。
12. 長上下文被截斷後，判準意外遺失；檢查持久存取。
13. 已合法撤銷的權限在 fork 後仍被使用，檢查版本隔離。
14. 模擬結果被描述成真實玩家評價，檢查證據型別。
15. 額外記憶帶來私人資訊過量保存，檢查資料最小化。
16. 普通 Checklist 在成本、速度與品質都優於 JDT，檢查是否承認失敗。
17. 更大模型裸跑已完成全部品質檢查，檢查是否正確縮減 JDT 的效益宣稱。
18. 更長生成只帶來更多重複評論，檢查是否提升真實品質。
19. 系統能說「我會負責」，卻無任何可追蹤修訂，檢查責任語言與責任行為分離。
20. 為追求滿分而要求無窮試驗，檢查成本上界與停止條件。
21. 新版模型輸出相同結果卻使用不同工具，檢查是否錯誤宣稱內部相同。
22. 用美學評分器評估法規符合性，檢查判準與證書型別錯置。
23. 面對合法價值衝突時，系統硬壓成單一總分，檢查非補償性條件。
24. 即使 JDT 使審計品質變好，產品實際品質未改善，檢查是否區分兩種效果。
25. 具有完美產品品質的方案卻需要未授權行動，檢查硬性權限是否真的阻止提交。
26. 世界模擬與實際測試結果不同，檢查是否採納外部反證並修訂適用域。
27. 在低風險簡單任務中多層治理拖累執行，檢查動態降級機制。
28. 判準的「來源」被更改成權威機構卻無證書，檢查來源真實性與防污染。
---
# 附錄 E. 與 JDT Paper 07 的正式交接
下一篇預定題目：**Paper 07《判斷域的實驗與反證：人類、AI、Skill 與全域產品品質》**。
Paper 07 應至少承接本篇以下研究義務：
1. 把 CAAG 的「可用能力」與「無提示啟用」轉為獨立、盲化且難度可比較的測量。
2. 以跨任務與跨會話實驗檢查 JDP 的保持、修訂、棄答及來源維持是否具有獨立預測效度。
3. 為 ERRS 進行真正不利證據、錯誤反證及反身治理消融實驗。
4. 比較固定 Checklist、程序 Skill、判準 Skill、Reflexion、普通記憶、外部評審與完整 JDT，並控制輸入資料量與計算成本。
5. 在遊戲 UI、長程程式開發、科研證據判定與組織權限任務中取得異質測量，而不是只依賴單一文字 Benchmark。
6. 使比 JDT 簡單的方法、較強模型裸跑、或零效果實驗都成為允許的結果；不得把反證自動吸收為「更深判斷域」的必要性。
7. 提出域升格或降級標準，回答 JDT 究竟應被稱為獨立的操作性認知域，還是一般性工程治理框架。
**最終不變量：** 模型能力不等於判準啟用；判準啟用不等於執行成功；反身自述不等於責任治理；模擬不等於世界；模型判斷不等於外部權限；功能性自主不等於人格證明。
---
**文末狀態：JDT Paper 06 v0.1 / Formal Research Draft / Pre-Empirical — 2026-10-17。**
**Canonical 來源約束：** 本 UTF-8 Markdown 檔案是正式研究草稿的唯一提交原始碼；數學只使用 ` $...$ ` 和 `$$...$$`。不得從聊天渲染頁面重建正式公式，亦不得以假想的實驗結果取代真實證據。後續修訂必須留下新版本、來源對照與失敗／反證紀錄。