有效分母的唯一口径与九个在流通口径的归位
这个项目有一条铁律：每个比率必须附有效分母，分母为 0 只能写「未经检验」。 但截至本轮，同一份品牌手册语料被九个数字同时当作分母使用，且它们的量纲并不相同——有的算文本层，有的算页面映射台账，有的算字节阈值。比率与分母错配，比没有分母更难发现，因为它看起来是严谨的。
规范口径
可检索件 = 1,043，快照身份：语料目录 1,269 份
.txt，取数时间 2026-10-16 14:32。 定义：去掉全部空白后仍有非零字符的文件数。1,269 − 226 = 1,043，与逐份判定的计数一致。
这个数字之所以是规范值，理由有两条：它是唯一被独立复现的口径；并且它的判定与 pdftotext 调用模式、字节／字符单位都无关——另几个口径恰恰栽在这两处（同一份语料在换过工具参数后从 1,159 变成 1,245）。
凡引用「N 份可检索／有效语料」，必须同时声明的四项限定
| 限定 | 数值 | 为什么必须写 |
|---|---|---|
| 快照身份 | 1,269 @ 2026-10-16 14:32 | 语料目录仍可能被并发写入；换快照数字就变 |
| 件级失明 | 226 份 / 17.8% | 剥空白后零字符的件，全库检索看不见它们 |
| 语种级失明 | 435 份 / 34.3%（⚠️ 待复现） | 英文手册，中文词表完全看不见 |
| 中文检索有效分母 | 608 | 1,269 × 47.9%；中文检索的真实分母是它，不是 1,043 |
⚠️ 1,043 是上界，不是紧界。 它只保证「词能检索到」，不保证「命中的是 VI 手册」——语料里混有生活方式文本等非手册材料。引用时应写「1,043 份可检索件中」，而不是「1,043 份品牌手册」。
⚠️ 「零字节」这个说法要改掉。 实测磁盘上真正的零字节文件只有 1 份；226 份是剥空白后零字符。两者差 226 倍。把 226 称作「零字节」是本项目自己造出的一次口径漂移，归档原稿里已有此写法（保留原文，不改），引用时按本页。
九个在流通口径的归位
| 口径 | 它实际是什么 | 处置 |
|---|---|---|
| 1,043 | 剥空白后非零字符，可复现 ✅ | 规范值 |
| 1,045 | 同规则、旧快照 1,271 时的结果 | 作废；⚠️ 已随它写进操作库的表述改正 |
| 1,018 | 一个数字套了两条不同规则（≥50字符／≥201字节），两条都算不出 | 作废，不得引用 |
| 1,031 | 有阈值无定义，无处可复现 | 作废 |
| 1,159 | plain pdftotext ＋ 每页 ≥50 字符（按字体） | 工具相关，作废；换过 pdftotext 参数后同规则得 1,245，差 86 |
| 1,204 | 🔴 量纲错误：它是页码台账「偏移未测」的行数（1204/1561 = 77.1%），不是文本分母 | 🔴 立即停止使用——它曾被并进对抗轮的分母治理表，把一个页面覆盖率写成了文本分母 |
| 829 | 1,132 − 1 − 302 页面伪影 | 历史口径，保留原引用但须标注已弃用 |
| 840 | 1,271 − 326（<50字/页），⚠️ 算术差 105 无任何记录 | 作废并标注「中间扣减无来源」 |
| 1,045／608 | 608 = 中文检索可见件数 | 608 是配套限定，不是竞争口径 |
三条配套纪律
- 比率与分母必须同源。 用 1,204 算出来的「覆盖率」与用 1,043 算出来的不是同一件事，即便都写成百分比。
- 快照要钉。 任何计数先记录「取数时间 + 文件数」，否则下一轮无法判断数字是否变过。
- 「可检索」不等于「是手册」。 1,043 件里含非手册材料，报比率时写「1,043 份可检索件」。
尚未解决
- 🔴 同一份语料并存三个分母，这比口径漂移更根本。 本轮实测：主语料
GE-corpus1,269 份 ·TA-corpus／GAP-corpus1,271 份 · 全库实测唯一 MD5 1,270 个。gap5那一路的全部件级计数跑在 1,271 那份上，与其余各路不在同一分母上——它的比率与其他稿件的比率不可互比。 ⇒ 引用任何件级数必须写清用的是哪一份语料，只写数字等于没写。 ⇒ 长期解法是只保留一份快照，其余按 MD5 取用其中子集。本轮未执行，属遗留。 - 435 / 34.3% 未精确复现：最接近的口径得 431 / 34.0%，差 4 份。该数字支撑「中文检索有效分母约 608」这一结论，608 因此也应视为近似值。
- 840 中间的 105 份扣减没有任何记录，无法追溯它是漏检还是有意排除。
- 1,031 无阈值定义，可能是某次临时筛选的残留。
- 1,018 的三条候选阈值路径（1,024／1,011／1,019）全部算不出，其原始定义已不可考。
- 案例计数对大小写敏感，而表格未注明：
revision大小写不敏感下命中 21 件、敏感下 19 件，change log相应为 4 与 2。 复现者会得到不同数字。凡检索词含拉丁字母，必须注明是否区分大小写。
一次方法性的教训
这九个数字里有六个（829／840／915／1,018／1,031／1,159）的共同点是：它们是某一次检索在当时工具配置下的副产品，没有写下判据。 判据没写下，就无法复现，也无法判断换个人跑一遍会不会得到同一个数。
⇒ 分母必须连同判据一起记录，只记数字等于没记。 本页存在的意义，是把「可检索」这一个词的完整定义钉死，让它不再随工具参数漂移。
再加一条，来自本轮抽样复核
抽样回像素复核 18 条主张：确认 14 · 推翻 3 · 未能确认 1。六处逐字引文全部正确，而三条推翻里有两条错在页码与符号——一处把 heights exceeding 10 mm 抄成了 ≥10 mm，一处把印刷页 p26 记成偏移 +1 而页脚实印 Page 27。
⇒ 引文对不等于元数据对。 复核必须分两遍：先验逐字内容，再把页码、偏移、比较符号独立验一遍。只看内容通过就放行，是这三条漏网的直接原因。
⇒ 而且同一份稿件内部偏移会时对时错（中信 A18 的偏移正确、gamescom 的错误），说明偏移是逐条临时估的、没有统一实测。凡写偏移必须实测，不能推。