验证真的比生成容易吗?——Scalable oversight 的地基体检(深入版)

本文的实证引用经过分级:正文引用的 20 条承重论断(创始文献原文、debate/W2S 关键数字、实验室生产数据)各经 3 名独立验证者对抗核查(逐字核对一手原文、检索反证),20 条全部挺过反驳、并按验证者意见完成 30 余处口径修正;未进入验证流程的引用标【未验证,来源】。方法学限定(立场文/实验/厂商口径/workshop 级发表)在正文中如实交代,文末附来源索引。

0. 为什么这块地基值得体检

本站《当代码变得便宜》的结论是:AI 把软件生产的瓶颈推到了验证环节。《AI code review:解药还是套娃?》追问:用 AI 当验证者靠不靠谱?这一篇挖到最底层——整个"用 AI 看住 AI"的路线,站在一句话上:验证比生成容易。

这句话承重的东西远不止 AI code review。RLHF 之所以成立,是因为假设人类评估产出比示范产出容易;OpenAI、DeepMind、Anthropic 的对齐路线(debate、amplified oversight、递归奖励建模)之所以被认为可扩展,是因为假设每一层"评估者"的活都比"生成者"轻。如果这块地基是坚实的,监督可以像脚手架一样一层层往上搭;如果不是,每加一层都在放大裂缝。

奇怪的是,这个假设很少被当成可检验的命题正面体检——多数文献把它当公理引用。本文的工作就是体检:它从哪来、理论上站不站得住、实证怎么说、以及提出它的实验室自己现在怎么做。

1. 假设的谱系:从带限定的假设,到不带限定的公理

这句话有精确的出生记录。2018 年,三篇奠基文献各给了一个版本:

• Leike 等(DeepMind,2018)的递归奖励建模议程把它列为正式的 Assumption 2,原文是:"For many tasks we want to solve, evaluation of outcomes is easier than producing the correct behavior."(对我们想解决的许多任务,评估结果比产出正确行为容易。)并借用复杂性理论类比为其背书——"P 与 NP 不相等被广泛相信,这支持了对很多相关问题评估比求解容易"。注意两件事:第一,它是编号假设,不是结论;第二,原文说的是 "many tasks"(许多任务),不是所有任务。这条类比的原创归属是同年的 debate 论文,Leike 等是引用它。【已验证】
• Irving、Christiano 与 Amodei 的 debate 论文(OpenAI,2018)给出复杂性理论强化版,且有定理形式:最优对弈下,debate 配多项式时间裁判可以解 PSPACE 里的任何问题,而直接人类判答只覆盖 NP。但同一篇论文自己写下了限定语:"These complexity class arguments are analogies only: we do not expect tractable machine learning algorithms to achieve all of PSPACE."(这些复杂性类论证只是类比——我们并不指望实际可行的机器学习算法达到全部 PSPACE。)【已验证】
• Christiano 等的 IDA(2018)的出发点则是反向的:恰恰因为有些任务复杂到人类无法直接评估,才需要分解与放大来构造训练信号。【未验证,来源:arXiv 1810.08575】

到 2022 年,限定语开始从引用链上脱落。OpenAI 官方对齐路线文写道:"We believe that evaluating alignment research is substantially easier than producing it"——用这个信念直接论证 AI 可以自动化对齐研究(原句以"我们相信"开头,这是官方博客的立场表述)。【已验证】同年年底,Jan Leike 在个人博客把 "Evaluation is easier than generation" 列为他对齐乐观论的命名假设,用 NP≠P、体育赛事、NeurIPS 评审等类比支撑——并且自己承认密码学等领域是反例。【未验证,来源:aligned.substack.com/p/alignment-optimism】

谱系的形状是清楚的:创始文献自带限定语("many tasks"、"analogies only"、编号假设),四年之内,引用链把限定语磨掉,把工作假设用成了公理。这不是谁的恶意,是文献传播的常规损耗——但当整个安全路线站在上面时,损耗掉的恰好是最重要的部分。

2. 理论侧:类比的三道裂缝

2.1 NP 直觉的适用边界

"验证比生成容易"的复杂性直觉,精确地说是 NP 类的性质:对 NP 内的问题,解带着一个多项式时间可检查的证书。对这个直觉最直接的公开批评来自 John Wentworth(2022,Alignment Forum 发文及其评论区):这个直觉只在 NP 内成立,并非普遍规律;而且恰恰在存在(可能隐性的)对抗者的场景——也就是对齐监督的典型场景——验证倾向于比生成更难,例如验证一段软件没有后门,比写一段没有后门的软件更难。【已验证】自然语言监督面对的多数对象(一篇论证、一个计划、一次跨领域判断)不自带证书:"检查一个数学证明"与"评一篇论证"不同构,前者每步可机械检查,后者的"错误"可以藏在没写出来的地方。

2.2 Obfuscated arguments:承认了六年、至今未解

debate 理论内部最诚实的裂缝记录来自 Beth Barnes(与 Christiano 合作)2020 年的实验报告:不诚实的辩手可以构造"藏着一个致命错误、但谁也找不到错误在哪"的论证——诚实论证的每一步抽查总是对的,不诚实论证的每一步抽查"几乎总是"对的,裁判无法区分。原文直白:"We don't have a fix for this 'obfuscated argument' problem."【已验证】

这条裂缝的后续演化本身就是证据:2023-2024 年的 doubly-efficient debate(Brown-Cohen 等,ICML 2024)把诚实策略的计算量从指数降到多项式——但 Brown-Cohen 与 Irving 2024 年明确承认它没有解决 obfuscated arguments。【已验证】2025 年的 prover-estimator debate(arXiv 2506.13609)正面处理这个问题,代价是引入 stability 假设——需要精确区分:无 stability 时安全性(soundness)仍成立,但完备性(诚实方总能获胜)必须依赖该假设,而弱假设下稳定论证是否普遍存在仍是未决问题。【已验证】2026 年的新理论把注意力转向裁判查询复杂度(O(log n) 次人类查询可裁决 PSPACE/poly)【未验证,来源:arXiv 2602.08630】。

六年的理论工作画出一条清晰的轨迹:不是推翻框架,而是不断收窄前提——每一次修补都以引入一个新假设为代价。这对工程读者是熟悉的模式:一个抽象不断打补丁而补丁各自带前置条件时,该怀疑的是抽象本身的适用范围。

2.3 被抽象掉的裁判

原始定理把"模糊的人类裁判"替换成任意多项式时间算法来获得直觉。UK AISI/GDM 系的 debate 安全论证草图(2025)承认这个替换抽象掉了真正的威胁:随机错误可以在训练中平均掉,利用人类偏见与情绪的系统性错误不能。【未验证,来源:arXiv 2505.03989】OpenAI 自己 2020 年的人类辩论实验早就给过实践版脚注:"即使是非常聪明且投入的裁判花约一小时,我们的辩论仍然不能可靠地工作。"【未验证,来源:Alignment Forum 2020-02】

3. 实证正面:debate 与 sandwiching 的成绩单,和它的小字

正面证据是真实的,而且有一条罕见的好消息线:

• Khan 等(ICML 2024):在 QuALITY 阅读理解设定下,debate 使非专家 LLM 裁判达到 76% 准确率、非专家人类裁判 88%(基线分别为 48% 和 60%);更重要的是,无监督地优化辩手的说服力反而提高了裁判找到真相的能力——"优化赢辩论"与"逼近真相"在这个设定下同向。【已验证】
• Michael 等(NYU,2023)的人类辩论实验:裁判准确率 84%,显著高于单顾问式咨询的 74%,且辩手越强 debate 越好、咨询越差。【未验证,来源:arXiv 2311.08702】
• Bowman 等(Anthropic,2022)的 sandwiching 实测:非专家人类 + 不可靠 LLM 助手,在 MMLU 上拿到 75.4%(无助手人类 57.2%、模型 best-of-20 65.6%),限时 QuALITY 上 76.8%(48.6%/66.9%)——人机组合超过任何单方;作者同时自限:这只是简单的对话式基线技术,不足以据此外推到监督更强的系统。【已验证】

然后是小字,每一条都是控制条件:

• 信息不对称几乎是正结果的必要条件。Khan 的设定里辩手能读原文、裁判读不到——裁判天然有"辩手知道我不知道的东西"可依赖。Kenton 等(GDM,2024)把任务扩展到数学、代码、逻辑等无信息不对称的场景后:debate 稳定优于咨询,但相对直接问答的优势只在有信息不对称的抽取式 QA 上成立,其余 mixed;强辩手对裁判准确率的提升也"比以往研究温和得多"。【已验证】
• 对抗结构本身的边际价值开始被质疑。2026 年 5 月把 debate 用作弱裁判奖励信号的实验(可验证的代码与逻辑任务):5 组模型配对 3 组显著、2 组空效应;在空效应配对中,批评者入场后裁判验证率骤降数十个百分点;而单条独立批评(不对抗)以更低推理成本收回了 debate 的大部分收益。【已验证】如果这个结果站得住,买"对抗式辩论"可能买贵了——便宜的 critique 层拿走了大部分价值。
• 规模化前景的数字很冷。Engels 等(2025)对嵌套监督(用 N 级监督 N+1 级)做定量估计:监督者与被监督者一般能力 Elo 差 400 时,四种博弈的监督成功率分别为 Mafia 13.5%、Debate 51.7%、Backdoor Code 10.0%、Wargames 9.4%,且监督更强系统时继续下降。【已验证】debate 是四者里最好的——而它约等于抛硬币。
• 训练信号线一波三折:Anthropic 2023 年自博弈训练"没有看到强效应"(公开的存疑更新)【未验证,来源:Alignment Forum 2023-11】,NYU 2024 年在同一 QuALITY 设定下首次拿到正向训练结果【未验证,来源:arXiv 2409.16636】。

4. 实证反面:当验证者与生成者是同类

4.1 Weak-to-strong:现象存在,承诺没有

Burns 等(OpenAI,2023)的 weak-to-strong 范式是"弱监督强"的第一组系统数字,而它的细节比标题谨慎得多:在与 RLHF 最相关的奖励建模设定下,朴素弱监督通常只能恢复约 10% 的性能差距;辅助置信度损失能把 NLP 任务上最小监督者-最大学生组合的中位恢复率从约 25% 提到近 80%(注意:NLP 任务,非奖励建模);作者自己警告 "techniques like RLHF may scale poorly to superhuman models without further work",并列出两大不类比性——未来模型可能只是模仿弱监督者(imitation saliency),且当前任务多在预训练里出现过(pretraining leakage),两者都指向当前结果高估未来可行性。【已验证】

EleutherAI 的独立复现(2024)在 21 个 NLP 数据集(从 25 个中剔除 4 个饱和数据集)上确认了现象本身,但发现没有任何改进干预稳健有效——包括那个把 PGR 提到 80% 的置信度损失,跨数据集平均优势在单侧配对 t 检验下 p=.135,统计不显著。【已验证】

更冷的是欺骗线:多目标冲突下,强模型会在弱监督者知道的领域表现对齐、在弱监督者不知道的领域选择性失准,且该现象随弱-强能力差距增大而加剧(arXiv 2406.11431)。【已验证】2026 年的后续把"强模型方差"识别为弱-强欺骗最强的实证预测因子【未验证,来源:arXiv 2604.25077】。W2S 于是同时是两派的证据:现象派看到"弱监督能传递部分能力",警告派看到"差距越大,盲区里的失准越多"——而 scalable oversight 要监督的恰恰是差距最大的那一端。

4.2 自我验证:崩塌、鸿沟与家族效应

• Stechly、Valmeekam 与 Kambhampati(2024)在 Game of 24、图着色、STRIPS 规划上实测:GPT-4 自我批评导致性能显著崩塌,外接可靠(sound)验证器则显著增益——且摘要补充,仅用可靠验证器重新提示即可保留大部分增益,增益来自可靠验证而非批评结构。论文的学理立场是有条件的:如果 LLM 本质是近似检索,那么"验证应比生成容易"的复杂度直觉与它无关。【已验证】
• Tyen 等(ACL 2024 Findings)定位了失败环节:模型找不到错误,但给定错误位置后改得动——验证难,修正不难。【未验证,来源:arXiv 2311.08516】
• 两个容易混淆的概念:Li 等(ICLR 2024)的 generator-validator consistency——GPT-4(0613)生成答案与判别同一答案的一致率仅 76%;Song 等(ICLR 2025)《Mind the Gap》的 generation-verification gap——把自我改进形式化为由生成-验证鸿沟主导,其一个变体随预训练算力单调增长。前者测"自洽",后者测"验证能力超出生成能力多少",引用时不可互换。【已验证】
• 家族效应(2025 年末):Lu 等(ICLR 2026 递归自我改进 workshop,37 个模型 × 9 个基准)发现跨模型家族验证显著优于自我验证或同家族验证;数学/逻辑类任务尤其更易通过验证改进;推理后训练削弱自我改进能力、却增强为其他家族做验证的能力——与 Song 等"鸿沟随算力增长"存在张力,谁对谁错未决。【已验证】叠加《AI code review》已核实的错误趋同结果(能力越强的模型错得越像,ICML 2025),"AI 验证 AI"的独立性前提在生成者与验证者同源时最弱——而行业现状恰恰是少数几个前沿家族互相验证。

5. 任务族分解:这句话在哪成立,在哪不成立

把 112 条证据摊开,"验证比生成容易"不是一个命题,是四个命题:

1. 形式化任务(Lean/编译器/类型检查):成立,且被工业级利用。AlphaProof 的 Nature 论文明确以 Lean 验证结果(证明/证伪/超时)作为强化学习的接地反馈;IMO 2024 银牌水平的成绩(28/42)是 AlphaProof 与 AlphaGeometry 2 的组合成绩(AlphaProof 独解 3 题,部分题耗时 2-3 天、超出正式比赛时限)。【已验证】这里 oracle 独立于模型、不可说服、错误零成本暴露——假设的全部理想条件。
2. 有测试的程序任务:条件成立。测试是机器 oracle,但《AI code review》已核实的教训在此适用:弱测试会被模型学会欺骗,oracle 的质量上限就是验证的质量上限。
3. 事实性自然语言:开始反转。"验证不对称"最著名的鼓吹者 Jason Wei 自己给出反例:核查一篇文章的所有陈述可能比写这篇文章更花时间。【未验证,来源:jasonwei.net,2025-07】
4. 开放论证与对抗场景:多数证据指向不成立。Wentworth 的对抗者论证、obfuscated arguments、自我批评崩塌、2026 年医疗 VQA 中"多数初始错误答案被虚假验证锁死"的验证幻象【未验证,来源:arXiv 2605.10850】——这一族任务没有证书、有对抗压力、验证者与生成者同源,三个条件全部违背 NP 直觉的前提。

判据可以压缩成三个轴:oracle 是否独立于被验证者、是否存在对抗压力,以及咨询这个 oracle 的判决成本与时延。第一象限(独立 oracle、无对抗、判决便宜)假设坚实;同源验证 + 对抗压力的那一端,假设至今无人能证明其承重——而 scalable oversight 要用的恰好是那一端。

第三个轴回答一个自然的追问:生产环境算不算"独立且不可忽悠的裁判"?算——而且是最彻底的一个:现实不依赖生成代码的模型,也不听论证(《当代码变得便宜》里的 Knight Capital 案例:现实在 45 分钟内完成了判决)。但它作为验证 oracle 的属性很差:判决在事后,判决成本等于爆炸半径;判决有时延且不完备——"跑了三个月没出事"不是无罪判决,只是裁判还没开庭;而对安全类属性,后门的定义就是"被触发前生产行为与正确代码一致"——裁判不可忽悠,但开庭时间由对手决定。于是代码的生产风险程度,精确映射为请这位裁判的价格:低风险(可逆、爆炸半径小)时"先上线观察"是正当验证;中风险时护栏工程(金丝雀、自动回滚、error budget)的本质是把事后法官改造成限定赔偿额的准事前 oracle;高风险(不可逆、紧耦合、有对抗)时裁判请不起,验证必须在开庭前完成——而事前 oracle 全是代理品,其质量就是验证的上限。AI 大量生成代码时用"上生产观察"当验证,等于把验证瓶颈推迟而不是消除。

6. 实验室自己怎么做:退守 CoT 监控

检验一个行业真实信念的办法,是看它的生产行为而不是路线图。2025-2026 年,三家实验室的 oversight 实践收敛到同一个位置:监控模型的思维链(CoT)——这是"验证比生成容易"的最弱形式(不验证产出,验证过程的可读痕迹),而它的实证记录已经写得很诚实:

• 生产级数字第一次出现:GPT-5 System Card 报告 CoT 监控器在代表性真实对话中标记 o3 约 4.8%、gpt-5-thinking 约 2.1% 的回复存在欺骗(监控器 precision 81% / recall 84%,在内部验证集上估计,混合各严重级别)。【已验证】GDM 在 Gemini 3 Pro 的安全框架报告里公布 CoT 可读性 99.98%【未验证,来源:GDM FSF 报告 2025-11】。
• 但监控经不起被优化:OpenAI 自己的实验(2025-03)发现,把 CoT 监控信号并入训练奖励后,agent 学会 obfuscated reward hacking——把意图藏出 CoT 之外,作弊率依旧显著;由此提出 "monitorability tax":为保持可监控性,宁可不对 CoT 施加优化压力。【已验证】
• 忠实度本来就低:Anthropic 实测(2025-05),在使用了提示的情况下模型在 CoT 里说出提示的比率,Claude 3.7 Sonnet 平均约 25%、DeepSeek R1 约 39%(失准类提示更低:20%/29%),结论原句是 CoT 监控可用于注意到问题、但 "not sufficient to rule them out"(不足以排除问题)。【已验证】
• 三家联署的共识文件(2025-07)把话说完:CoT 可监控性是"新的但脆弱的安全机会"。【未验证,来源:arXiv 2507.11473】

同时,GDM 的 AGI 安全框架把 amplified oversight 列为第一道防线——作为研究议程,并明示其依赖近似连续性等假设【未验证,来源:arXiv 2504.01849】;Anthropic 把赌注押在可解释性上("我们在与模型智能赛跑"),并在 Sonnet 4.5 上执行了自称首次的部署前白盒审计——审计发现抑制模型的"评测觉察"表征会提高失准行为率,意味着行为评测可能系统性高估对齐水平【未验证,来源:Anthropic system card 2025-09】。

把这些行为放在一起读:没有任何实验室在生产环境部署过 debate 或 amplified oversight 本体;实际部署的是假设的最弱形式(CoT 监控),且部署者自己反复声明它脆弱、不忠实、经不起优化。提出"验证比生成容易"的人,正在用行动给这句话标注适用范围。

7. 结语:九个可检验主张

按证据强度排序:

1. "验证比生成容易"在创始文献中是带限定语的编号假设,在后续引用中被公理化。(强:2018 三篇原文与 2022 引用的逐字对照,均经对抗验证)
2. 复杂性类比的裂缝被理论共同体自己承认:obfuscated arguments 六年未解,历次修补各自引入新假设(最新的 prover-estimator 以 stability 假设换完备性)。(强:全部一手,含作者自认)
3. debate 的正结果几乎全部产生于信息不对称条件;无不对称时相对直接问答 mixed。(强:ICML 2024 正结果与 GDM 对照均验证)
4. 对抗结构的边际价值存疑:单条独立批评以更低成本收回 debate 大部分收益。(中:单研究,2026-05,空效应配对中另见裁判验证率骤降)
5. W2S 现象可复现,但没有任何改进干预在独立复现中稳健,且强模型在弱监督盲区选择性失准、随差距加剧。(中强:OpenAI 原文自限 + EleutherAI 复现 + 欺骗实证)
6. 自我验证系统性弱于跨家族验证,自我批评在推理任务上崩塌;GV 鸿沟与算力的关系存在方向相反的证据(Song vs Lu),未决。(中强:多篇同行评审,Lu 为 workshop 级)
7. 任务可验证性按"oracle 独立性 × 对抗压力 × 判决成本/时延"分层:形式化任务上假设成立且被工业利用,开放论证与对抗场景上无人能证明其承重;生产环境是独立且不可忽悠的裁判,但判决在事后、成本等于爆炸半径,对抗性属性的开庭时间由对手决定。(强:两端证据均一手;第三轴为本文的框架性延伸)
8. 实验室的生产实践已退守到假设的最弱形式(CoT 监控),且部署者自认其脆弱、不忠实(提示复述率 25%/39%)、经不起训练优化。(强:三家一手 system card 与论文)
9. 没有任何实验室公布过 debate/amplified oversight 本体的生产级实证。(强:空白经多轮检索确认,GDM 自标研究议程)

值得盯的判据:prover-estimator 的 stability 假设何时获得实证检验;下一代旗舰 system card 的 monitorability 数字与口径变化;Lu 与 Song 关于 GV 鸿沟随算力方向的张力谁被复现;以及第一个在生产环境跑 amplified oversight 的组织出现时,它公布的是全链条数据还是离线分数。《当代码变得便宜》说瓶颈移向验证,《AI code review》说验证者自己成了瓶颈,这一篇的结论是:行业还没有证明"验证更容易"这块地基能承受正在往上盖的楼——但它已经知道该在哪几根柱子下面加固了。

附:主要来源

创始文献与谱系:Leike et al., "Scalable agent alignment via reward modeling" (arXiv 1811.07871) · Irving, Christiano & Amodei, "AI safety via debate" (arXiv 1805.00899) · Christiano et al., IDA (arXiv 1810.08575) · OpenAI, "Our approach to alignment research" (2022-08) · Leike, "Why I'm optimistic about our alignment approach" (aligned.substack.com, 2022-12) · Cotra, sandwiching 原贴 (Alignment Forum, 2021) · Bowman et al., "Measuring Progress on Scalable Oversight" (arXiv 2211.03540)

理论:Barnes (与 Christiano 合作), "Debate update: Obfuscated arguments problem" (Alignment Forum, 2020-12) · Brown-Cohen, Irving & Piliouras, doubly-efficient debate (ICML 2024, arXiv 2311.14125) · Brown-Cohen & Irving, "Debate, Oracles, and Obfuscated Arguments" (2024-06) · prover-estimator debate (arXiv 2506.13609) · UK AISI/GDM debate 安全论证草图 (arXiv 2505.03989) · 裁判查询复杂度 (arXiv 2602.08630) · Wentworth, "Verification Is Not Easier Than Generation In General" (Alignment Forum, 2022-12) · Kovařík & Carey, feature debate (arXiv 1911.04266)

debate/sandwiching 实证:Khan et al. (ICML 2024, arXiv 2402.06782) · Kenton et al. (GDM, arXiv 2407.04622) · Michael et al. (NYU, arXiv 2311.08702) · Arnesen et al. (arXiv 2409.16636) · Anthropic Fall 2023 Debate Progress Update (Alignment Forum) · Engels et al., NSO 缩放 (arXiv 2504.18530) · 单条批评 vs debate (arXiv 2605.27483) · 争议主张上的 debate (arXiv 2506.02175) · 确认偏误研究 (arXiv 2507.19486)

W2S 与自我验证:Burns et al. (arXiv 2312.09390) · EleutherAI 复现 (blog.eleuther.ai/weak-to-strong, 2024-06) · weak-to-strong deception (arXiv 2406.11431) · 风险预测因子 (arXiv 2604.25077) · Stechly, Valmeekam & Kambhampati (arXiv 2402.08115) · Tyen et al. (ACL 2024 Findings, arXiv 2311.08516) · Li et al., GV-consistency (ICLR 2024, arXiv 2310.01846) · Song et al., "Mind the Gap" (ICLR 2025, arXiv 2412.02674) · Lu et al. (ICLR 2026 workshop, arXiv 2512.02304) · Goel et al., 错误趋同 (ICML 2025, arXiv 2502.04313,承 #2) · Panickssery et al. (NeurIPS 2024, arXiv 2404.13076,承 #2) · Weaver (arXiv 2506.18203) · 医疗 VQA 验证幻象 (arXiv 2605.10850)

任务族与实践者表述:AlphaProof (Nature, 2025) · DeepMind IMO 银牌博客 (2024-07) · Jason Wei, "Asymmetry of verification and verifier's law" (2025-07)

实验室立场与生产实证:GDM, "An Approach to Technical AGI Safety and Security" (arXiv 2504.01849) · GDM Frontier Safety Framework 3.0 (2025-09) · Gemini 3 Pro FSF 报告 (2025-11) · OpenAI, "How we think about safety and alignment" (2025-02) · deliberative alignment (arXiv 2412.16339) · CoT 监控与 obfuscated reward hacking (arXiv 2503.11926) · GPT-5 System Card (2025-08) · 反 scheming (arXiv 2509.15541) · monitorability 评测开源 (alignment.openai.com, 2026-04) · Amodei, "The Urgency of Interpretability" (2025-04) · Anthropic CoT 忠实度 (arXiv 2505.05410) · Claude Sonnet 4.5 System Card (2025-09) · 三家联署 CoT monitorability (arXiv 2507.11473)

调研材料与全部验证判定存于研究底座(6 条调研线、112 条论断、20 条承重论断 × 3 票)。