统一框架：七个杠杆

七个杠杆是一张记分卡。拿到任何一个排名或评测，逐项打分，你就能估出它大概会被扭曲到什么程度。你在 R01 学过反应性、在 B01 学过 Goodhart 定律、在 Y04 学过 reward hacking，三者讲的其实是同一件事，但都停在「会失真」这个定性判断上。这张记分卡的用处，是把定性判断变成一个能横向比较的量：哪个系统更危险，同一个系统随时间在往哪个方向漂。

它不是一个经过经验校准的绝对指数，别把最后那个数字当成测准了什么。它是一把结构化的梳子，逼你把「这榜会不会被玩坏」这个模糊担忧，拆成七个能分别回答的具体问题。

七根杠杆逐一是这样问的：

• 垄断度：这个对象被几套独立的排名覆盖？只有一套权威榜，规训力最强；四五套并存、互相拆台，就弱。
• 利害绑定：这个数字连着钱、生死、还是发布决策？绑得越硬，反应越烈。
• 粗暴度：输出是一个全序名次，还是一张多维仪表盘？压成单一名次，区分度的假象最强。
• 发布节律：多久发一次？连续实时的天梯，制造永不停歇的备战。
• 零和性：是相对排名还是绝对达标？你升我必降的零和，会催出军备竞赛。
• 可绕行通道：指标和真目标之间的因果链有多长、有多少旁路？能自报、能重分类，就好绕。
• 被测者反身能力：被测的一方会不会逆向工程你的公式，它本身是不是个优化器？

拨几个预设，规律就出来了。美国 U.S. News 法学院排名几乎每根杠杆都拉满：唯一权威、硬绑录取与预算、压成全序名次、年年发布、零和、可靠自报数据绕行、院长们专职逆向工程公式。七项满分二十一分，它拿满，所以是反应性的极端标本。这个满分标本，正是 Espeland 与 Sauder 田野里那个「几乎缓冲不掉」的样本。商学院排名换个数字。因为有五家排名并存，垄断度这一格从 3 掉到 1。垄断度一降，整体分数跟着低一截。这个更低的分数，正好对上 Sauder 与 Espeland 那篇《Strength in Numbers》的发现——商学院的排名效应确实明显更弱。多元测量互相消解，是这条规律最实用的一半。

再补一个 AI 侧的读数。Chatbot Arena 这类实时天梯，垄断度中等、利害高、粗暴度高、节律实时、零和、被测者本身就是优化器——七项加起来落在高位。分数一高，它的 Goodhart 化就以月为单位发作，比大学排名快一个数量级。快不是因为 AI 更爱作弊，是因为被测者本身就是优化器，这是结构差异不是道德差异。刷票研究给了它一个定量注脚：在真实历史投票上模拟，约 2 万票能把一个模型的名次推高十名左右；而只拿到少量 Arena 数据去过拟合它特有的分布，就能带来高达 112% 的相对性能提升，可这未必是通用质量的提升。

再看一个良性的对照。洛杉矶餐厅的卫生评级卡只分 A、B、C 三档，不搞全序，后果也软，被测者几乎无力逆向工程，七项加起来只有个位数。结果 Jin 与 Leslie 2003 年测到的是真实的卫生改善、食源性疾病住院下降，没有军备竞赛。同一个反应性机制，杠杆低的时候能推着质量往上走。这说明记分卡量的不是「有没有反应性」，而是「反应性会往好还是往坏使劲」。

这张记分卡还带出三条不那么显然的结论。

其一，反应性可以同时提高测量效度、摧毁测量价值。自我实现那条通道会让排名「变准」，因为世界已经被它重塑得跟它一致。可它测的，已经是自己造出来的那个世界；「准」和「好」，因此成了两码事。

其二，改良指标不等于消除反应性。指标每次修订本身也是被博弈的对象：U.S. News 年年微调公式，Arena 上了 style control，厂商就转头去优化 style control 之后的残差。指标和被测者是共同演化的一对，你动一下，它跟一下。

其三，最危险的不是坏指标，是「够好」的指标。相关性高的代理会赢得信任，赢得信任就被绑上利害，绑上利害就迎来强优化，然后在强优化下失效。Gao 那条过优化曲线先升后降，讲的就是这个「够好」指标的宿命。

2025 到 2026 年的证据，给这张七格记分卡逼出了第八根候选杠杆。你在 Y15 见过它的名字：裁判的利益相关度。它问的是一件前七根都问不到的事，打分机构的收入、估值或数据来源，是不是依赖被打分的那一方。

三个当代事件都落在这根杠杆上。其一，最有影响力的活榜 LMArena 从伯克利的学术项目公司化，2025 年 5 月拿到 1 亿美元种子轮（估值约 6 亿美元），2026 年 1 月 Series A 再融 1.5 亿，估值跳到 17 亿美元，同时把排名做成了付费产品。当裁判本身是一家靠榜单公信力变现的公司，它纠偏的意愿还能不能持续、会不会向大客户倾斜，没有外部审计能证。style control 证明运营方有能力把被优化出来的风格显式扣掉，可有能力不等于有意愿。其二，抗污染基准 FrontierMath 由 OpenAI 出资，OpenAI 还拿到了对绝大多数最难题目的独家访问权，随后用这套题宣布 o3 拿到 25%（上一代只有 2%）。「模型没见过题」这个卖点，于是从可验证的事实，退化成一句只能选择信或不信的口头约定。其三，厂商发布会上的基准精选：同一个模型的分数随外围设置能漂好几个百分点，把哪些基准放上模型卡，本身就是一场表演。

这根杠杆和前七根正交。一个垄断、高利害、实时更新的榜，裁判可以中立，也可以不中立，前七根量不出这个差别。操作化的问法可以很朴素：裁判换一个对金主不利的结论，自己要损失多少。损失越大，读数越该打折。

留一个问题：七根还是八根杠杆等权相加，本身就是一个未经校准的选择。有没有可能用大量真实案例，把每根杠杆的权重、以及它们之间的交互，真正估出来，让这张记分卡从「教学直觉」升级成「可验证的反应性强度指数」？这是这个领域至今没人系统占领的一块空地。

一句话带走：预测一个榜会被玩坏多狠，别猜，逐项打分；也别忘了问一句，打分的人自己有没有下注。