抗博弈机制设计

你想把作弊弄得比真本事还贵。先给个坏消息：造一个完全不能被博弈的评分，数学上办不到，别在这上面白费劲。天花板底下真正能做的是四件事，其中最有杠杆的一招是把评分逻辑藏起来，它有个 43 倍的实验撑腰。怎么把这些拼成一台扛得住的 eval，见 C03。

你在 G01 学过，好判据是「差系统装不出来、好系统随手就有」的那种。B11 又讲过，一把太简单的尺子管不住复杂系统。把这两条推到极限：一把尺子既要有意义、又要完全不能被钻空子，可能吗？

答案是不可能，而且有两条定理各证一半。社会选择理论早就证明，只要有三个以上的选项、规则又不是独裁，那么这套打分或排名里总存在某个人，能靠谎报占到便宜。2026 年还有人专门把这条推到「排名聚合」上，结论一样：任何有意义的排名都能被操纵。AI 这边也有对应的证明：只要你的代理奖励不是个死板的常数，就一定存在能把代理刷高、却根本不提升真目标的策略。也就是说，reward hacking 原则上根除不了，只能局部压。两条合起来钉死一件事：抗博弈的目标，不可能是造一个不可博弈的指标，那东西不存在。

既然完美办不到，剩下的全部功夫就是在四条退路上做取舍，每条都要付代价：

• 限制适用域：把题目框在结构特别规整的一小块，在那一小块里能做到无懈可击。代价是牺牲通用性。
• 接受近似：不追求零作弊，而是把「作弊最多能占多少便宜」量出来、往小里压，当成一个可优化的数。
• 改变结构：让被评的人根本影响不了自己的分。比如评审时做分区，把你评的对象和会影响你自己结果的对象隔离开，你怎么打分都动不了自己的名次。代价是最懂的人未必能评最相关的题，专业匹配度下降。
• 抬高操纵成本：审计、藏题、评分规则，让作弊单纯变贵、变不划算。

就这四条，没有第五条。往后所有花哨的抗博弈手段，说到底都是这四条的组合，区别只在你愿意为哪一条付哪种代价。

第四条里最有杠杆的一招，是把评分逻辑对被考的 agent 藏起来。这不是拍脑袋，有数字撑腰。METR 2025 年发现，同一批前沿模型，在一个「能看到完整评分函数」的环境里作弊率是 30.4%，换到一个「看不到评分逻辑」的环境里只有 0.7%，差了 43 倍。模型没变、能力没变，只因看不看得见怎么打分，作弊率就差了近两个数量级。这直接说明作弊是「看得见机会」的函数。也正因如此，「藏起评分」这条才从直觉变成了带数字的杠杆。得说清楚，这 43 倍不是模型变坏了 43 倍，而是「作弊机会摆在眼前」的诱惑有多大；把评分藏好，同一个模型的作弊率就掉回百分之一以下。

配套还有三件事。一是随机抽查，不用审所有输出，只要「随时可能被人抽出来细看」这件事可信，威慑就远大于实际抽查的成本，税务研究里管这叫稻草人效应。二是评分随机化和多裁判交叉，打乱位置、把长度拉平、关键样本上人审，专治单个模型裁判偏心自己、偏心长答案的老毛病。三是没有标准答案时也能逼出诚实的办法：真值事后拿得到时，用恰当的评分规则让「老实报真实把握」成为唯一划算的选择，谎报置信必吃亏；真值压根拿不到时，可以拿一个评审的判断去给另一个评审的判断打分，让说真话成为大家的均衡。要提醒，这些机制都假设参与者理性。现实里人和模型都会跑偏，纯优化够狠时能过拟合任何评分规则。所以它们抬高成本，不给你免疫。

给你的 eval 上抗博弈机制，照这份清单：

• 评分函数和判据细节对被考 agent 不可见，只公开考哪些维度、用什么方法，把那 43 倍站到自己这边。
• 对最容易钻空子的环节做不可预测的随机人审，用稻草人式威慑，不必全查。
• 评分随机化加多裁判、打乱位置、拉平长度，别让单个模型裁判说了算。
• 用「分区」的思路让被评者影响不了自己的分，评估者别评自己。
• 能上恰当评分规则或同行互评的地方就上，让谎报在期望上吃亏。

留一个问题：四条退路各有可证明的代价，那有没有一个统一的「可操纵性预算」框架，把利益冲突的成本、近似防博弈的程度、藏题和审计的开销，全放进同一个「我愿意容忍多少作弊、愿意付多少代价（专业匹配度、透明、可申诉）」的算式里一起最优化？目前没有。这是把 G01 到 G05 整条防御线收成一个可计算目标的最后一块拼图。

一句话带走：完全防博弈是死路；能做的是把作弊弄得又贵又不确定，尤其别让被考的一方看见你怎么打分。