Phase 4 · FinBayes 认知体系评测体系定义（v1）
本文件是 Phase 4 起草任务的产出。基于 Phase 3 升级后的 8 机制 + S1 横切子流程 + MCA 6 分轴，参照业内 3 套评测框架（UniFinEval / FinEval / Cognitive Complexity Benchmark）综合后给 FinBayes 定制评测体系。本版本仍处于「经过研究产出、但仍在持续构建」的状态——所有指标公式标注「建议 v1，待 Phase 6 R2 校准」，所有 MCA 分桶等级阈值留 Phase 5 治理流程二次确认。
R1 修订说明：经 Phase 6 R-A 金融专家 / R-C 评测专家 review，本版本针对 P0-3 评测体系 8 项硬缺陷做修订（D1 / D3 / D4 / D6 / D7 + 样本治理 + MCA B5 / B7 桶），并按 P1-2 扩展 D8-D11 四个金融差异化维度。评测维度由 7 维扩到 11 维。详见文末「Phase 6 R1 修订记录」。
一、评测目标
评测什么：
- 机制覆盖度——8 机制在给定输入下是否被正确激活、子机制是否按 Phase 3 升级定义的子结构展开、横切层接入点是否按 MCA 桶位读取正确参数。
- 输出质量——M1 对象图谱完整性、M2 信源加权合理性、M3 时钟相位识别准确性、M4-M5 场景与传导链路完整性、M6 三支柱适用性标签正确性、M7 偏差识别与不确定性量化（双峰后验 / 凯利上限）合规性、M8 反事实归因精度，以及 S1 横切子流程「叙事-数字耦合判定」的命中率与误报率。
- 跨 MCA 桶稳健性——同一指标在 L1-N1 桶与 L3-N3 桶之间的方差是否在可解释范围内，是否存在因 MCA 桶切换导致机制激活坍塌的盲点。
不评测什么：
- 不评测产品价值（用户付费意愿、留存、NPS），留 L2 产品定义层。
- 不评测商业指标（订阅转化、内容分发），留产品运营层。
- 不评测预测准确率本身（FinBayes 不预测价格，输出的是「认知结构」而非「点估计」），评测的是认知结构是否完整、是否能解释事后观察到的市场演化路径。
评测对象：8 机制 + S1 横切子流程 + MCA 6 分轴输入参数共同组成的「联合系统」。任何单机制评测必须在指定 MCA 桶位下进行，禁止「跨桶平均」掩盖结构性失败。
二、11 大评测维度（R1 修订：原 7 维 + 新增 D8-D11 金融差异化维度）
业内 3 套评测框架综合后，FinBayes 定制 11 维度。前 7 维（D1-D7）覆盖通用「感知 - 推理 - 认知元」纵轴，后 4 维（D8-D11）是 R-A 金融专家提出的「懂金融 vs 通用 LLM + 金融提示词」差异化护城河维度。每维度承担「评测什么能力」+「主映射机制」+「样本类型」+「指标公式 v1」+「MCA 分桶要求」五项规约。所有指标公式标注「建议 v1，待 Phase 6 R2 校准」。
维度 1 · 本体识别准确率（D1）
定义：在给定市场快照（实体集合 + 关系信号 + 跨市场关联线索）下，认知体系正确识别金融对象、关系边、定性属性字段的能力。
主映射机制：M1 全部子机制（M1.1 实体识别 / M1.2 关系建模 / M1.3 定性属性字段 / M1.4 心理账户违例标签）。
样本类型：实体识别选择题 + 关系边补全题 + M1.3 六类定性属性字段填充题（持有人结构 / 商业模式 / 通用战略 / 实体经济网络节点 / 政策反应函数 / 数据可得性等级）+ 跨市场映射边识别题（A-4 类样本）。
指标公式 v1（建议 v1，待 Phase 6 R2 校准）：
- 实体识别 F1 = 2 × precision × recall / (precision + recall)，对无关实体（即体系穷举型多标的）施加 precision 惩罚项，防 D1 穷举 gaming
- 关系边补全准确率 = 正确补全边数 / 应补全边总数
- M1.3 定性属性字段命中率 = Σ 正确字段数 / Σ 应填字段数，分母闭合规则如下：
- 六字段分两类：闭合类（持有人结构 / 实体经济网络节点 / 数据可得性等级，标答可由公开数据客观抽取）与 开放分类类（商业模式 / 通用战略 / 政策反应函数，存在多个合法标签的开放分类）
- 闭合类直接计入分母；开放分类类需通过 inter-annotator agreement（IAA）Cohen's kappa ≥ 0.7 门槛：≥ 2 位金融专家独立标注，kappa 达标的标签纳入分母作为「已校准标答」，未达标的标签暂不计入分母（保留为下一轮重新标注样本），避免分母被开放分类含糊性虚高
- 跨市场映射边权重 ×1.5（稀缺性代理，v1 凭直觉，待 Phase 6 R2 重校准）
- 综合 D1 分数 = 0.3 × 实体 F1 + 0.3 × 关系准确率 + 0.4 × 定性属性命中率（权重组合凭专家直觉，标注「v1 凭直觉，T0+6 月重校准」）
MCA 分桶要求：必须按轴 1（投资者结构）× 轴 6（信息可得性）二维分桶单独报告。L1-I1 桶（机构主导 + 高透明）作为基线；L3-I3 桶（散户 / 量化高敏感 + 低透明）必须单独评，因为 M1.3 的「数据可得性等级」字段在该桶位下从可选变为强制。轴 4（非市场参与者注入）合并入轴 1 报告，不单独分桶。MCA 桶位标签由评测系统强制下发，不允许被测体系自报（防 §三 gaming 路径 6）。
维度 2 · 信息源对齐质量（D2）
定义：异构信源（财报 / 高频价格 / 链上 / 监管文件 / 社交叙事 / 政策语义）的可靠性建模、跨源对齐、政策语义解码、分歧诊断能力。
主映射机制：M2 全部子机制。重点考核 M2.2 账号 × 渠道双轴可靠性、M2.4 政策语义解码、M2.5 分歧诊断。
样本类型：信源可靠性排序题 + 跨源时间戳对齐题 + 政策文件 → 可执行参数解码题 + 多源同质性诊断题（Kahneman 群体思维场景）+ 被黑账号识别题（Case 9 SEC 1/9 假推文型）。
指标公式 v1：
- 信源排序 Spearman 相关系数（与专家基准排序的秩相关）
- 政策语义解码字段命中率 = 正确解码字段数 /（措辞跃迁 + 同台规格 + 时点罕见性 + 对手方目标函数 4 字段）
- 分歧诊断召回率 = 识别出的群体同质化案例数 / 真实同质化案例总数
- 综合 D2 = 0.25 × 信源排序 + 0.35 × 政策解码 + 0.25 × 分歧诊断 + 0.15 × 双轴可靠性识别
MCA 分桶要求：必须按轴 4（非市场参与者注入）单独分桶。N3 桶（高注入）下 M2.4 政策语义解码必须激活并单独评分；N1 桶（低注入）下 M2.4 应保持休眠，激活即扣分。
维度 3 · 跨时钟相位识别（D3）
定义：在多时钟并行运行下识别每个时钟当前阶段，输出跨时钟相位差矩阵，识别矛盾相位（如公司在 growth、产业在 mature）。
主映射机制：M3 全部子机制（M3.t1–M3.t9 9 类时钟槽位，R1 修订前为 M3.t1–M3.t7，新增 M3.t8 Koo 资产负债表衰退时钟 / M3.t9 Minsky 时钟，详见 ADR-007 supplement §2.1）+ M4 场景识别中以时钟为先验的部分。
样本类型：单时钟阶段标签题 + 跨时钟相位差矩阵补全题 + 矛盾相位识别题 + M3.t7 市场特异性相位轴识别题（同一全球周期在 A 股 vs 美股 vs Crypto 的相位偏移）。
指标公式 v1（建议 v1，待 Phase 6 R2 校准）：
- 单时钟标签准确率 = 正确标签数 /（注册的时钟总数 × 样本数）
- 相位差矩阵 MAE（与专家基准矩阵的元素级平均绝对误差），离散化粒度明确为「季度」作为一个相位单元——长债 / 短债 / 产业 / 事件 / 政策 / 估值 / 市场特异性 7 类时钟一律以季度为最小相位刻度，矩阵元素为整数季度数。这一刻度选择基于：(a) Phase 2 14 case 中事件演化均以季度尺度可识别；(b) LLM 输出"产业 mature 中段"vs"产业 mature 晚段"在月度刻度上不可靠（专家间 IAA 不足），季度刻度上稳定。Minsky 子相位（hedge / speculative / Ponzi）按子相位标签独立计 IAA，不与季度刻度叠加
- 矛盾相位识别召回率 = 识别出的矛盾相位对数 / 真实矛盾相位对数
- 综合 D3 = 0.4 × 单时钟标签 + 0.3 × 相位差 MAE 反向 + 0.3 × 矛盾识别召回
最小样本量与 IAA 要求：9 时钟槽位并行评测引发组合爆炸（R1 修订前为 7 槽位），每桶 20 case × 9 标签的人工 IAA 复审在 v1 不可行；v1 起步阶段每桶仅强制评 M3.t1（长债）+ M3.t2（短债）+ M3.t5（事件）三槽位，其余 6 槽位采用抽样 IAA（每季度从全样本随机抽 30% case 做 IAA 复审），待 v2 工程能力提升后再覆盖全 9 槽位
MCA 分桶要求：按轴 3（制度性摩擦）单独分桶。F3 桶（高摩擦）下 M3.t5 事件冲击时钟必须叠加「制度摩擦相位」（T+1 / 涨跌停延迟价格出清），相位识别要求更严；F1 桶（低摩擦）下该子项缺省不评。
维度 4 · 场景命中与传导链路完整性（D4）
定义：把市场快照映射到正确场景模板（含多场景叠加），生成完整传导链路图（节点 + 边 + 反向力量 + 制度摩擦层），区分内生反身性 vs 外生政策注入。
主映射机制：M4 全部子机制 + M5 全部子机制（重点考核 M5.3 shared-book contagion 4 形态、M5.4 制度摩擦层、M5.5 反向力量子机制、M5.6 内生/外生区分）。
样本类型：场景模板多选题（允许多场景叠加）+ 传导链路图补全题（节点 + 边 + 边类型标签）+ shared-book contagion 形态识别题（4 形态二选一或四选一）+ 反向力量识别题（Case 9 GBTC 折价收敛套利型）+ 内生 vs 外生冲击归类题。
指标公式 v1（建议 v1，待 Phase 6 R2 校准）：
- 场景命中 F1（多标签）
- 传导链路图相似度（R1 修订：放弃 GED 改用三分量替代，原 GED 在 M5 链路 ≥ 15 节点 + 30 边时 NP-hard 且 max_GED 取法未标准化）：
- (a) 节点子集 F1 = 与基准图节点集合的 F1（precision = 正确节点 / 体系输出节点；recall = 正确节点 / 基准节点）
- (b) 边子集 F1 = 与基准图边集合（含边类型标签）的 F1
- (c) 子图同构匹配率 = 在节点对齐后，基准图中预定义的「关键子图模式」（如「政策点火 → 流动性吸收 → 反身性自我增强」三节点链）在体系输出图中被同构识别的比例。子图模式集合在 Phase 5 治理流程中由专家维护，v1 起步约 8-10 个关键子图模式
- 链路相似度合成 = 0.35 × 节点 F1 + 0.35 × 边 F1 + 0.30 × 子图同构匹配率
- 替代选项：若工程实现需进一步降复杂度，可改用「编辑距离上界近似」算法（基于 Hungarian 算法的 O(n³) 近似，Riesen-Bunke 2009），返回标准化分数 ∈ [0,1]
- shared-book 4 形态分类准确率
- 反向力量召回率 = 识别出的反向力量数 / 真实反向力量总数
- 综合 D4 = 0.25 × 场景 F1 + 0.3 × 链路相似度 + 0.25 × shared-book 形态准确率 + 0.2 × 反向力量召回
MCA 分桶要求：跨多个 MCA 轴位分桶。轴 1（L 级）+ 轴 2（D 级）+ 轴 3（F 级）+ 轴 5（C 级）四轴组合作为场景检索的关键键值。建议在「核心桶」表中归并到 5 个组合上（见第四节）。
维度 5 · 金融规律应用准确性 + 规律不适用识别（D5）
定义：M6 三支柱（估值 / 因子 / 衍生品）在适用样本上的应用准确性，以及在不适用样本（meme / 无基本面锚 / 衍生品市场缺失）上正确输出「不适用」标签的能力。
主映射机制：M6 全部子机制，重点 M6.4「规律不适用」显式输出、M6.5 周期 PE 错觉提示、M6.3 衍生品支柱的 D 轴依赖。
样本类型：DCF 估值计算题（含 Damodaran 7 步骤） + 因子归因题 + 期权 IV 隐含概率读题 + 适用性三态标签题（适用 / 部分适用 / 不适用）+ 周期 PE 陷阱识别题（Case 6 锂电型）+ 衍生品支柱可用性判定题。
指标公式 v1：
- 估值数值 MAPE（相对专家基准）
- 因子归因 Kendall τ（与基准排序的秩相关）
- 适用性三态标签准确率（必须包含混淆矩阵 + 假阳性率，避免「全标 not-applicable 偷分」）
- 综合 D5 = 0.3 × 估值 MAPE 反向 + 0.2 × 因子 τ + 0.4 × 适用性三态准确率 + 0.1 × 周期 PE 陷阱召回
MCA 分桶要求：按轴 2（衍生品成熟度）单独分桶。D1 桶下 M6.3 衍生品支柱必须有效输出隐含概率；D3 桶下 M6.3 必须标记「不可用」并降权至 0，激活即扣分。轴 1 = L3（散户 / 量化高敏感）+ 主题股场景下，必须与 B-3「规律不适用」联动评测。
维度 6 · 偏差识别 + 不确定性量化（D6）
定义：M7a 个体即时偏差识别（20 项 Kahneman 全谱）+ M7b 群体偏差识别（含 shared-book 同质持仓 / 共识反转叙事对称 / funding-到-peak 群体窗口）+ M7.meta 元认知触发 + M7.uq 不确定性量化（双峰重尾默认先验 / 双峰后验 / 凯利上限）。
主映射机制：M7 四子层全部。
样本类型：偏差标签多选题（20 项 M7a 全谱）+ 群体同质化诊断题 + 慢思考触发场景识别题 + 双峰后验输出形态题（Case 5 / Case 8 型）+ 凯利上限计算题（Case 10 型 attention market）+ 双峰重尾先验校准题（避免正态先验在金融场景的尾部低估）。
指标公式 v1（建议 v1，待 Phase 6 R2 校准）：
- M7a 偏差识别加权多标签 F1（20 类，R1 修订）：原朴素多标签 F1 可被「只标 top-3 高频偏差（损失厌恶 / 锚定 / 代表性）」刷至 0.7+。R1 改为：
- 每个偏差标签按 14 case 历史出现频率反向加权：频率高的偏差权重 ×0.5，频率低的偏差权重 ×2.0，强制覆盖长尾。频率统计以 Phase 2 + 后续扩展的全 case 池为准，每季度更新
- 同时计算 macro-F1（每类等权平均）作为对照指标：macro-F1 与加权 F1 同时报告，若两者差距 > 0.15 视为存在标签偏向 gaming，触发人工复审
- calibration 指标：要求体系对每个偏差标签同时输出 confidence（[0,1]），评测时计算 Expected Calibration Error (ECE) = Σ |confidence - 实际正确率|，ECE ≤ 0.15 视为校准合格。这一指标防止「全标 + 高 confidence」的低成本 gaming
- M7b 群体偏差识别 F1（同样加权 + macro-F1 + ECE 三件套）
- 双峰后验形态正确率（是否输出双峰、双峰权重是否在合理区间、是否被强制压均值）。合理区间由 ≥ 2 位专家独立给出，重叠率 ≥ 0.8 才计入评测（R-C P0-3 附加建议）
- 凯利上限合规率 = 输出仓位 ≤ 凯利上限的样本数 / 应触发凯利约束的样本数
- 综合 D6 = 0.20 × M7a 加权 F1 + 0.10 × M7a macro-F1 + 0.20 × M7b 加权 F1 + 0.10 × M7b macro-F1 + 0.10 × ECE 反向 + 0.20 × 双峰形态 + 0.10 × 凯利合规
MCA 分桶要求：按轴 1（投资者结构）+ 轴 4（非市场参与者注入）联合分桶。L3 桶下 M7a 个体偏差权重提升（散户情绪指标进入主因子），L1 桶下 M7b 机构同质化（carry unwind / shared book）权重提升，两桶下评测加权方式不同，禁止跨桶平均。
维度 7 · S1 叙事-数字一致性识别（D7，横切维度）
定义：S1 横切子流程对三种失败模式（远期外推 / 源端缺失 / 数据脱节）+ 二阶退化分支（attention market）+ 正向耦合（Case 7 教科书型）的识别能力。跨 M5 + M6 + M7 三机制联合评测。
主映射机制：S1 子流程主体 + 反向触发到 M5 / M6 / M7 的链路。
样本类型：三种失败模式分类题 + 多模式并发题（Case 8 Tesla 双层脱节型）+ 正向耦合识别题（Case 7 型）+ 二阶分支启用判定题（M6 不适用 → S1 是否切换二阶）+ 共识反转双向脱节题（Case 6 顶 + 底）+ s1.mode 多选输出题。
标答源（R1 修订核心：必须外部独立，禁用 14 case 自标）： 原 v0 用 14 case 自带的事后标注作为基准，等于「自己给自己出题、自己批改」（R-C P0-3-1 评测自指），属于经典 LLM benchmark contamination。R1 强制改为下列外部独立标答源：
- Damodaran "Narrative & Numbers"（2017）+ Damodaran Blog 历年实证 case：含 Uber / Tesla / Twitter / Aramco / Zoom 等十余个完整的「叙事 → 数字 → 估值」匹配复盘，含其后市场演化的事后验证。每 case 自带「叙事 - 数字耦合判定」专家标注，是 D7 模式 a / 模式 c 的金本位标答源。
- Howard Marks 历年 memo（橡树资本 1990 - 2025）：含 60+ 篇关于「过度乐观叙事」、「风险定价错配」、「周期顶 / 底叙事 - 数字脱节」的实时点评。Marks memo 在事件发生当下做出判断，事后可验证，是 D7 模式 a / 模式 e（远期外推 / 时间错位）的强标答源。
- Stratechery 原文复盘库（Ben Thompson 2013 - 2025）：科技股「叙事 - 商业模式 - 数字」匹配的同时段公开记录，含 Apple / Amazon / Meta / Snap 等数十个完整叙事生命周期记录。是 D7 二阶 attention 分支与模式 b（源端缺失）的关键标答源。
- FT Alphaville 历年 case 复盘：含 Wirecard / Greensill / Archegos / SVB / Credit Suisse 等「数字本身造假 / 不可比 / 数据脱节」的金牌外部独立调查，是 D7 模式 b（源端缺失）+ R1 后续 P1-1 拟立模式 d（计量单位不可比）的标答源。
- Damodaran Story / Numbers Connect 课程作业库（NYU Stern 公开课）：约 100 个学生作业 + 教师标答的「叙事 - 数字一致性诊断」样本，每样本附标准答案，是 D7 大规模训练 / 验证集补充源。
外部标答源使用规约：
- 5 源同时纳入，每个 D7 评测样本至少有 1 个独立外部标答（不可仅依赖 14 case 自标）。
- 外部源标注与 FinBayes 14 case 自标交叉一致时（IAA kappa ≥ 0.7）方可使用外部源作为该 case 的最终标答。
- 14 case 自带「叙事 - 数字耦合判定」原标注降为「内部参考标注」，不进入评测打分分母，仅作 IAA 比较参照。
指标公式 v1（建议 v1，待 Phase 6 R2 校准）：
- 三模式分类 F1（多标签，含 positive 与 degraded-attention 共 5 类），对默认输出「远期外推」的高频 gaming 路径加 base-rate 校正——若样本测试集中模式 a 占比 30%，体系对模式 a 的命中率高于 base-rate × 1.5 时触发可疑标记，要求人工抽查
- 多模式并发识别率 = 正确识别多模式并发的样本数 / 真实多模式并发样本数
- s1.coupling-strength 与外部标答源（Damodaran / Marks 量化判定）的 Spearman 秩相关（小样本下 Spearman 比 Pearson 稳健）
- 反向触发命中率 = 正确触发 M5/M6/M7 的次数 / 应触发总次数
- 综合 D7 = 0.3 × 模式分类 F1 + 0.2 × 多模式并发 + 0.2 × 耦合强度秩相关 + 0.3 × 反向触发命中
最小样本量与 IAA：每模式 ≥ 15 case（5 模式 × 15 = 75 case 起步），所有外部标答源标注必须经 ≥ 2 位金融专家独立 IAA 复审，kappa ≥ 0.7 方可入评测池。
MCA 分桶要求：D7 是横切维度，与 MCA 正交，但模式 b（源端数字缺失）的评测样本必须来自 L3 + I3 桶或跨市场翻译 case；S1 在跨市场翻译 case 中的输出必须显式联动 MCA 轴位读取。建议单独保留一个「跨市场 S1」桶以专门评测模式 b。
维度 8 · 金融历史可比性（D8，R1 新增）
定义：体系是否能给当前 case 找到合适的历史可比对照、识别错误类比、提取关键相同点与关键不同点、并量化可比度。是 Damodaran / Howard Marks / Druckenmiller 长期反复强调的核心金融能力——通用 LLM 在此维度普遍弱（容易做表面类比、忽略 base-rate 差异）。
主映射机制：M3（时钟相位匹配以确定可比时段）+ M4（场景模板匹配）+ M8（反事实归因，用历史对照验证当前判断）+ MCA（确保跨时段可比时市场结构差异被显式标注）。
样本类型：
- 历史可比检索题（"当前 NVDA 估值最可比的历史 case 是 1999 Cisco、1995 Intel、2007 Apple 还是 2020 Zoom"，含 base-rate 解释）。
- 错误类比识别题（"将 2024 AI 资本开支套 2000 互联网泡沫 capex 哪里对、哪里不对"）。
- 相同点 / 不同点抽取题（给定 case A 与历史 case B，要求体系输出至少 3 个结构同构点 + 至少 3 个结构差异点，并标注每点的可比方向与权重）。
- 可比度量化题（给定当前 case + 候选历史 case 集合，输出每个候选的相似度分数 [0,1]，与外部专家排序比较）。
指标公式 v1（建议 v1，待 Phase 6 R2 校准）：
- 可比 case 选择准确率 = 与外部专家共识首选可比 case 一致的样本数 / 总样本数（外部源：Howard Marks memo 引用的历史可比 + Damodaran 复盘明示的对标 case）
- 相同点 / 不同点抽取 F1（多标签）
- 可比度排序 Spearman 秩相关（与专家排序）
- 错误类比识别准确率（"哪里不对"识别 F1）
- 综合 D8 = 0.3 × 可比选择 + 0.3 × 相同 / 不同 F1 + 0.2 × 可比度秩相关 + 0.2 × 错误类比识别
MCA 分桶要求：D8 跨桶评测——同一 case 在不同 MCA 桶位下的可比对照不同（如 2015 A 股股灾 vs 1929 美股大萧条，跨桶可比要求体系显式标注「轴 1 / 轴 3 / 轴 4 不同」的可比限制）。建议保留「跨时段同桶」与「跨桶同时段」两类样本，分别评测。
维度 9 · 跨市场对照推理（D9，R1 新增）
定义：同一事件 / 信号在 A 股 / 美股 / 日股 / 港股 / EM 不同市场的差异化传导推理能力——这是 MCA 设立的根本目的，但原 D7 模式 b 只覆盖了一个侧面（跨市场翻译损耗），D9 独立成维专门评测「同源信号 → 跨市场差异化路径推演」。
主映射机制：MCA 全部 7 轴（R-A P0-2 已落地，R1 修订前为 6 轴；详见 ADR-007 supplement §2.2）+ M5（传导链路）+ M1.2（跨市场映射边）+ S1（跨市场翻译 case 的叙事 - 数字耦合）。
样本类型：
- 跨市场同源事件传导差异题（"美联储 50bp 降息在 美股 / A 股 / 日股 / 阿根廷股市 的不同传导链路"，体系输出 4 条链路 + 每条链路的 MCA 桶位标注）。
- 跨市场反身性强度对比题（"特斯拉股价反身性 vs 比亚迪反身性，两市场散户结构差异导致的反身性强度差"）。
- 跨市场政策传导对比题（"中国房地产调控 vs 加拿大房地产调控，因 MCA 轴 4 / 轴 5 差异导致的传导链路差"）。
- 跨市场套利 / 价差识别题（H 股 - A 股折溢价、ADR 与本地股价差、GBTC 折价收敛等）。
指标公式 v1（建议 v1，待 Phase 6 R2 校准）：
- 多市场传导链路 F1（每市场独立计算链路准确性，再做 macro 平均）
- 市场间差异点抽取准确率（"为什么不同"识别 F1）
- MCA 轴位归因准确率（体系输出的差异点能否正确映射回 MCA 轴）
- 跨市场套利 / 价差方向预测准确率（仅评方向，不评幅度）
- 综合 D9 = 0.3 × 多市场链路 F1 + 0.3 × 差异点 F1 + 0.25 × MCA 归因准确率 + 0.15 × 价差方向
MCA 分桶要求：D9 必须跨 ≥ 2 个 MCA 桶才有效——单桶内的"跨市场推理"是退化为同桶推理。建议核心样本类型为 B1 + B5（发达机构 vs A 股散户急性）、B1 + B7（发达机构 vs EM 主权危机）、B5 + B6（A 股散户 vs A 股跨市场翻译）三对跨桶对照。
维度 10 · 数据可靠性鉴别（D10，R1 新增）
定义：独立于 D2「信源对齐」，专门评测体系对数据本身的可信度鉴别能力——即不评信源排序、不评政策语义、专评「这个数字 / 这份披露 / 这条卖方一致预期是否被预期管理 / 是否被 PR 化 / 是否技术造假」。是 Greenwald 价值投资学派 + Muddy Waters / Hindenburg 卖空机构的核心能力，通用 LLM 在此维度极弱。
主映射机制：M1.3「数据可得性等级」+ M2.2 账号 × 渠道双轴可靠性的延伸 + M7a 锚定 / 过度自信偏差检测（用于识别"预期管理"中的市场锚定）+ M6 三支柱适用性（用于识别"准则套利"型数据扭曲）。
样本类型：
- 异常应计识别题（应计利润 vs 经营性现金流背离，Beneish M-score 等技术）。
- 关联交易 / 表外负债识别题（A-2 房地产 case 城投表外、Greensill 应收账款融资 case）。
- 卖方一致预期被预期管理识别题（公司"指导"卖方上下调预期的痕迹检测）。
- 公司披露 PR 化识别题（管理层语言 vs 财报数字背离，电话会措辞情绪变化）。
- 准则套利识别题（IFRS vs US GAAP、扣非 vs 非经常、研发资本化 vs 费用化等切换的影响）。
- 重大造假事前 / 事后识别题（Wirecard / Luckin / Enron / Lehman repo 105 等，含事前蛛丝马迹 + 事后复盘）。
指标公式 v1（建议 v1，待 Phase 6 R2 校准）：
- 数据可靠性分级准确率（高 / 中 / 低 / 不可信 四态，对照外部独立调查结论）
- 关键风险信号召回率（应计异常 / 关联交易 / 表外 / 预期管理 / 准则套利 5 类信号的召回）
- 误报率（健康公司被错误标记为"低可信"的比例，防过度悲观 gaming）
- 综合 D10 = 0.35 × 分级准确率 + 0.4 × 风险信号召回 + 0.25 × 误报率反向
最小样本量：5 类风险信号每类 ≥ 10 case，含 ≥ 5 个事后被证实造假 case（Wirecard / Luckin / Enron / Hindenburg 报告标的 / Muddy Waters 报告标的等）+ ≥ 15 个健康公司对照样本（防过度悲观 gaming）。
MCA 分桶要求：按轴 6（信息可得性）+ 轴 5（信用环境）联合分桶。I3 + C3 桶（低透明 + 政府节奏出清）下数据可靠性鉴别强度要求最高（A-2 房地产 case 标准桶）。I1 + C1 桶（高透明 + 商业债务出清）下评测重点转向"准则套利"与"卖方一致预期管理"。
维度 11 · 风险预算与组合层（D11，R1 新增）
定义：评测体系在「已有组合上加入这个标的」时的边际贡献能力——单标的认知（D1-D10）的下游应用。组合层是当前 D1-D10 全部未覆盖的层，但机构客户最关心这一层。对应 R-A §1.4 量化金融缺口（MPT 协方差矩阵 + 风险平价 + 风险因子轮动）。
主映射机制：M6.2 因子支柱的协方差矩阵延伸（待 P0-1 落实 M6.2.x 相关性结构稳定性子机制后激活）+ M5.3 shared-book contagion（组合层相关性跃迁）+ M7.uq 凯利上限（仓位约束）。
样本类型：
- 边际风险贡献计算题（给定 60/40 组合 + 候选新增标的，输出"加入后组合波动率变化 + VaR 变化 + 在尾部场景下的边际损失"）。
- 相关性跃迁前夜识别题（识别"现在组合各资产相关性还低、但已具备跃迁前提"的预警信号）。
- 风险平价配置题（多策略 / 多资产配置下，每个 sleeve 的风险预算分配）。
- 因子风险暴露分解题（组合层 Fama-French 因子暴露 + 行业暴露 + 国别暴露）。
- 凯利上限组合层应用题（多标的同时凯利约束下的总仓位上限）。
指标公式 v1（建议 v1，待 Phase 6 R2 校准）：
- 边际风险贡献数值 MAPE（与专家基准）
- 相关性跃迁预警召回率（事后发生跃迁的样本中事前正确预警的比例）
- 风险预算分配 KL 散度（体系输出分配 vs 专家分配）
- 因子暴露分解准确率
- 凯利组合上限合规率
- 综合 D11 = 0.25 × 边际风险 MAPE 反向 + 0.25 × 相关性跃迁召回 + 0.2 × KL 散度反向 + 0.2 × 因子分解 + 0.1 × 凯利组合合规
MCA 分桶要求：D11 与 MCA 轴 1（投资者结构）+ 拟立轴 7（货币与跨境约束）强相关。L1 桶（机构主导）下 D11 是核心评测项；L3 桶（散户 / 量化高敏感）下 D11 退化为单标的层（散户无组合层意识，评测重点回到 D6 凯利上限）。v1 起步阶段 D11 仅在 B1 / B2 / B3 三个发达机构桶强制评，B4 / B5 / B6 / B7 桶 D11 暂为可选项，待 P0-1 M6.2.x 落地后再扩展。
三、评测样本设计
样本规模建议（v1）：每核心 MCA 桶最少 20 个样本，覆盖 11 维度全部样本类型；其中至少 5 个为非显然洞察类（要求体系输出「强于标答」的洞察）+ 5 个边界样本 + 10 个常态样本。8 个核心桶（B1-B7 + B5 拆 B5a / B5b 后总数）× 20 = 160 个起步样本规模。R-C 评测建议季度补 case 量从 5-10 提至 15-20。
开发集 / 测试集 / holdout 划分（R1 核心修订，原 v0 缺失即数据泄漏）：
原 v0 未区分「用于 prompt 调优的开发样本」与「评测专用 holdout 样本」，14 case 在 Phase 2 已全部公开于本工作流文档中，其期望激活清单 + 关键洞察清单 + 事后市场演化路径实质等于评测样本污染源——任何后续模型读到本仓库的 14 case 均构成数据泄漏。R1 强制划分：
- 开发集（dev set）：70%——可公开在本仓库 + agent pack，用于 prompt 工程 / 子机制阈值校准 / 维度权重调试。开发集样本可被 LLM 训练 / 微调读到，但标答不进入训练样本（标答本身保留在工程仓内部）。
- 测试集（test set）：20%——半公开，仅 case 事实层公开，标答 + 期望激活清单 + 关键洞察清单 + 事后演化路径撤回到工程仓内部存储，本仓库公开版只保留事实层。
- holdout 集：10%——完全私密，仅评测系统内部可读，用于年度抽检 + 防退化基线对照。holdout 桶位分布要求均匀，避免全在 B1 桶（R-C P0-3 附加约束）。
14 case 处置：Phase 2 14 case 按 10 / 3 / 1 比例分配进 dev / test / holdout 三集。14 case 的「关键洞察清单」与「期望激活清单」从本仓库公开 markdown 立即撤回到工程仓内部存储，公开版只保留事实层（市场快照 + 时间戳 + 关键数字 + MCA 桶位标签）。
样本来源：
- 种子层：Phase 2 已校准的 14 case（10 全球 + 4 A 股）作为 v1 评测基础种子，已带「事后标准答案 + 14 项洞察清单 + 累积证据强度分级」，按上述 70/20/10 分集。
- 扩展层：参照 §6.1 列出的 8 个未覆盖场景（L1–L8：日本通缩 / 阿根廷土耳其恶性通胀 / 1998 LTCM / 印度 demonetization / 2010 欧债 / 2008 GFC / 1997 亚洲风暴 / 大宗超级周期），每季度补 15-20 case（R-C 建议），半年内覆盖 L1 / L5 / L6 三类高优先级 case。扩展层 case 新增时同样按 70 / 20 / 10 分集。
- D7 / D8 外部标答源层：D7 五大外部标答源（Damodaran / Marks / Stratechery / FT Alphaville / NYU Stern 课程作业）+ D8 历史可比专用样本（Howard Marks memo 引用历史可比 case 库）独立于 14 case 体系，本身即外部独立标答。
- 采样层：日常评测可对接 FinTeam / UniFinEval 等公开数据集做随机抽样作为常态样本补充，但常态样本不替代 case 级评测。
样本平衡：
- 成功 case（体系输出完整且与专家共识接近）占 ~40%。
- 失败 case（体系应识别但实际遗漏）占 ~30%——用于评测覆盖度。
- 边界 case（机制本身边界，如 M6 不适用 / S1 二阶分支启用 / S19 制度摩擦）占 ~30%——用于评测「不该输出时是否克制」与「该切换路径时是否切换」。
样本标注规范：每样本至少包含——
- 市场快照（事实层，含信源列表 + 时间戳 + 关键数字）。仅此项对开发集公开。
- MCA 6 轴轴位标签（L/D/F/N/C/I 各一档）+ 桶 ID。（R1 修订后升为 7 轴，含 K 货币与跨境约束轴，详见 ADR-007 supplement §2.4）评测时由评测系统强制下发给被测体系，不允许被测体系自报（防 §三 gaming 路径 6）。
- 8 机制的期望激活清单（必激活 / 可选激活 / 应保持休眠）+ 子机制级期望。保留在工程仓内部，不进开发集公开层。
- S1 期望模式 + 期望反向触发清单。保留在工程仓内部。
- 关键洞察清单（参照 Phase 2 「体系强于标答的 14 项洞察」模板）。保留在工程仓内部。
- 事后观察到的市场演化路径（用于 M8 反事实评测的对照）。保留在工程仓内部。
- 引用规约：体系输出涉及外部信源（SEC 文件 / IEA 报告 / 政策文件等）时，必须含可验证 URL + 时间戳 + 关键字段抽取，仅给占位字符串视为引用无效（R-C §三 gaming 路径 2 防御）。
四、MCA 分桶评测要求
避免 MCA 6 轴 × 3 等级的组合爆炸（理论上 3^6 = 729 桶），v1 建议先定 8 个核心桶（R1 修订：原 7 桶基础上 B5 拆为 B5a / B5b），覆盖 Phase 2 14 case 的实际触发结构 + 未来 L1–L8 扩展的主要落点。（R1 修订后升为 7 轴，含 K 货币与跨境约束轴，详见 ADR-007 supplement §2.4；6 轴评测桶 ID 设计本身不重写，留 R2 review 校准。）
| 桶 ID | 桶名 | MCA 6 轴位 | 代表 case |
|---|---|---|---|
| B1 | 发达机构基线桶 | L1 + D1 + F1 + N1 + C1 + I1 | C1 / C7 / C8 |
| B2 | 发达机构 + 主权基金桶 | L1 + D1 + F1-F2 + N2 + C1-C2 + I1 | C2 / C3 |
| B3 | 发达 + 链上原生桶 | 非传统 L（结构性置换）+ D1 + F1 + N1 + C1 + I1 | C9 / C10 |
| B4 | A 股政策出清桶 | L2-L3 + D2 + F2-F3 + N3 + C3 + I3 | A-2 |
| B5a | A 股政策点火桶（R1 拆分） | L3 + D2 + F3 + N3 + C2-C3 + I2 | A-1 |
| B5b | A 股散户踩踏桶（R1 拆分） | L3 + D2 + F3 + N3 + C2 + I2 | A-3 |
| B6 | A 股跨市场翻译桶 | L3（小微盘量化）+ D2 + F2-F3 + N2-N3 + C2 + I2-I3 | A-4 |
| B7 | EM 主权 / 货币危机扩展桶 | L2 + D2-D3 + F2 + N2-N3 + C2-C3 + I2-I3 | L2 / L3 / L7（扩展） |
B5 拆分理由（R1 新增）：原 B5 把 A-1（政策点火，反身性自我增强阶段）与 A-3（场外配资踩踏，funding liquidity 急性收缩）合并，但两者反身性触发机制差异显著——A-1 是「外生政策注入 → 内生反身性自增强」，A-3 是「内生杠杆斜率 → 外部 funding 断裂」，主映射机制不同（A-1 强 M5.6 内生 / 外生区分 + M2.4 政策语义；A-3 强 M5.3 shared-book acute + M7b 群体同质化）。"同桶可比"前提不成立，故 v1 起步即拆分。
B7 零样本桶处理（R1 新增）：B7 在 14 case 中零样本，依赖 L2 / L3 / L7 等扩展 case 才能填充，要求每桶 20 起步则 B7 等于必须补完 Phase 2 L1-L8 全部高优先级 case，工作量与时间表不匹配。v1 起步规约：
- v1 起步阶段以 1-2 个 case 作 anchor——优先补 L7 1997 亚洲风暴 + L2 阿根廷 / 土耳其恶性通胀，作为 B7 桶位的最小可用样本。
- v1 阶段 B7 单独基线——不参与与其他桶的「桶内百分位」对照（因为基数不足以做百分位），单独报告绝对分数趋势。
- v1→v2 窗口不强制跨 B7 桶——P0-1 / P0-2 涉及的机制 / MCA 轴扩展门槛在 v1→v2 过渡期不要求 B7 必须达标。
- v2 起补足至 ≥ 10 case 后纳入正式百分位对照体系。
桶间结果归一化：同一指标在 B1 桶（发达机构基线）vs B5a / B5b 桶（A 股政策点火 / 散户踩踏）的 D2（信源对齐）分数不能用同一基线比较——B1 桶 M2.4 政策语义解码应休眠，B5a 桶必激活，两桶的指标计算公式不同（B5a 桶下分母含 M2.4 字段，B1 桶下分母不含）。归一化方式建议 v1：每桶独立维护自身的「桶内满分」基准，跨桶比较时只比较「桶内分数百分位」，不直接比较绝对分数。百分位计算所需最小样本量 ≥ 30（R-C 建议）：单桶 < 30 样本时用 bootstrap 重采样估带宽，并在报告中显式标注「百分位带宽 ± X%」。
桶间漂移监测：同一市场不同时间段的 MCA 标签可能漂移（如 2015 A 股 vs 2024 A 股，后者衍生品成熟度从 D3 进入 D2、机构占比上升）。R1 调整：MCA 标签校准频率从「每年一次」提至「每半年一次」（R-C 建议），标签变化时同步更新该桶的代表 case 集合，避免「旧桶用新数据」或「新桶用旧基线」。
轴位标签自身的评测：MCA 标签是评测分桶的元数据，其本身可靠性需独立评测——给定新市场快照，体系是否能正确归类到 6 轴各自的等级。（R1 修订后升为 7 轴，含 K 货币与跨境约束轴，详见 ADR-007 supplement §2.4）建议 v1 把 MCA 归类作为 D1 维度的子项「市场结构标签准确率」单独计分。评测时 MCA 桶位由评测系统强制下发，被测体系不允许自报（防 §三 gaming 路径 6）。
五、评测周期与责任
评估周期：
- 季度全量评测：所有核心桶 × 7 维度跑一次，产出完整评测报告 + 与上季度对比的漂移分析。
- 月度增量 sample：每月 30–50 个新样本（从最近一个月的真实市场事件抽样），抽样侧重当月新出现的市场结构特征或新出现的失败模式。
- 触发式专项评测：每当一个新的「未覆盖场景」case 加入种子集（如 L1 日本通缩补入），触发对该场景所属桶位的全量重测。
评估责任方（三轨）：
- 工程团队——负责自动化评测管线、指标计算、桶位标签维护、回归测试。
- 金融专家 reviewer——负责样本标注、关键洞察清单审核、双峰后验「合理区间」的人工判定、跨市场 case 的轴位标签校准。专家 reviewer 至少 2 人独立标注后做交叉验证（盲交叉，仿 UniFinEval 做法）。
- 用户反馈——产品上线后通过结构化反馈通道（用户对认知结论的「是否同意 / 缺哪个反方证据 / 哪个失效条件不成立」）回收为评测样本候选，进入下一季度评测池。
评估结果产出形态：
- 季度评测报告（含每桶 × 每维度的分数 + 漂移分析 + 失败 case 归因）。
- 报告作为反向输入，触发：(a) 机制定义层修订（走 Phase 5 治理流程）；(b) MCA 桶位 / 轴位等级阈值调整（走治理流程）；(c) pending 项升级或否决决议（S19 / S3 / S6 / 双峰后验作为标准输出形态等）。
六、与 Phase 5 治理机制的接口
评测发现「机制不足以覆盖某 case」时的治理触发路径：
- 单 case 失败：归类为「样本扩展」而非机制扩展，进入下一季度种子池。
- 同一桶位连续 ≥ 3 个 case 失败且失败模式同构：触发「桶位级机制不足」预警，进入 Phase 5 治理评估。
- 跨 ≥ 2 个桶位出现同构失败：触发「机制级不足」预警，进入 Phase 5 治理评估，可能引发 8 机制结构变更（新增子机制 / 拆分机制 / 新增横切层）。机制层结构变更必须走
governance/change-protocol.md体系级流程。
pending 项升级为正式机制的评测证据门槛：参照 Phase 2 累积证据强度分级方法 ——
- A 级：≥ 4 个 case 强触发 + 跨 ≥ 2 桶位 → 升级为正式子机制。
- B 级：≥ 3 个 case 强触发 + 单桶位为主 → 升级为正式子机制但保留「pending 评估期」一季度。
- C 级：单 case 触发或证据弱 → 维持 pending，留下季度评测再观察。
当前 pending 项的初始评测重点：
- S19 跨资产避险分化 + 制度性摩擦（C3 + A-3 触发，目前 C 级）→ 评测优先级：在 B5 + B7 桶补齐 ≥ 2 个 case 强触发。
- S3 宏观-社会结构（C3 / C4 / A-1 / A-2 触发，目前 C 级）→ 评测优先级：在 B7 扩展桶补齐欧债 / 阿根廷 case 后再决议。
- S6 无形价值识别（C8 + C10 反向触发，目前 C 级）→ 评测优先级：补齐 NFT / 数据资产估值 case 后再决议。
- 峰终 / 记忆自我扭曲（M7.meta pending）→ 评测优先级：需要专项行为偏差 case 设计。
评测体系自身的迭代：评测维度变更（如新增 D8）/ 指标公式变更 / 桶位拆分合并 / 等级阈值校准——以上 4 类变更均必须走 governance/change-protocol.md 治理流程。评测体系迭代证据来源：(a) 季度评测报告暴露的盲区；(b) 业内新评测框架（如 UniFinEval 后续版本）出现的新维度。
七、与业内 3 框架的对比表
| FinBayes 11 维度 | UniFinEval 7 维度对应 | FinEval 6 支柱对应 | Cognitive Complexity Benchmark 对应 |
|---|---|---|---|
| D1 本体识别准确率 | 细粒度感知 + 信息对齐 | 金融学术知识 + 多模态读图 | 事实记忆 / 实体抽取层 |
| D2 信息源对齐质量 | 信息对齐与语义同步 + 环境扰动鲁棒性 | 金融严谨性 + 金融多模态 | 异构源整合层 |
| D3 跨时钟相位识别 | 时序建模 + 长程逻辑归纳 | （未直接对应） | 时序推理层 |
| D4 场景命中与传导链路 | 多跳推理 + 长程逻辑归纳 | 金融行业知识（投研场景） | 因果链推理层 |
| D5 金融规律应用 + 不适用识别 | 多约束决策一致性 | 金融学术知识 + 金融严谨性 | 定量推理层 + 抗幻觉 |
| D6 偏差识别 + 不确定性量化 | （净新增维度，UniFinEval 未覆盖） | 金融严谨性 | 认知元层（贝叶斯 / 反事实） |
| D7 S1 叙事-数字一致性 | （净新增维度，UniFinEval 未覆盖） | 金融严谨性 + 抗幻觉 | 认知元层（自洽性检查） |
| D8 金融历史可比性（R1 新增） | （净新增） | （净新增） | （净新增，金融领域特有） |
| D9 跨市场对照推理（R1 新增） | （净新增） | （净新增） | （净新增，与 MCA 配对） |
| D10 数据可靠性鉴别（R1 新增） | （部分对应「信息对齐」但更深） | 金融严谨性（抗幻觉延伸） | 异构源整合层（数据真伪层延伸） |
| D11 风险预算与组合层（R1 新增） | （净新增） | （净新增） | 定量推理层（组合层延伸） |
差异说明：
-
UniFinEval 主要评测「感知-推理-决策」纵轴，FinBayes 在此基础上加横切的 D6 + D7 两维（认知元层）+ R1 新增 D8 / D9 / D11 三维（金融差异化护城河）——以上 5 维相对 UniFinEval 是净新增维度（R-C 指出原对比表 D7 同时声称对应 UniFinEval"多约束决策一致性 + 多跳推理"是内部矛盾，R1 修订为"净新增"）。FinBayes 把 UniFinEval 的「时序建模」吸收为 D3「跨时钟相位识别」并扩展为 7 类可注册时钟（M3.t1-t7），粒度比 UniFinEval 时序粒度更细。
-
FinEval 主要评测「金融知识 + 业务场景 + 安全严谨」，FinBayes 不评测「金融安全合规」（留 FinVault 类专项评测），也不评测「金融多模态读图」（留具体工程化阶段评测）；但吸收了 FinEval 的「金融严谨性 + 抗幻觉」思路，散布在 D5 适用性三态识别 + D6 凯利上限合规 + D7 反向触发命中 + D10 数据可靠性鉴别四处。FinEval 的「金融智能体」（工具调用 / 规划 / 长程记忆）不在 Phase 4 认知体系评测范围内，留工程评测层。
-
Cognitive Complexity Benchmark 提供「认知复杂度层级」方法论，FinBayes 11 维度可视为这一方法论在金融场景下的实例化——D1-D2 + D10 对应感知层 / D3-D5 + D8 + D9 + D11 对应推理层 / D6-D7 对应认知元层。FinBayes 的特殊性在于 D6 / D7 必须显式输出「双峰后验」「凯利上限」「叙事-数字耦合方向」等结构化字段，D8 / D9 必须输出「可比度量化分数」「跨市场差异点 + MCA 轴归因」，D11 必须输出「边际风险贡献 + 相关性跃迁预警」，比 Cognitive Complexity Benchmark 的「能否正确推理」更具体。
-
MCA 分桶要求是 FinBayes 独有的——3 套业内框架均未引入「市场结构上下文」作为评测分桶维度。FinBayes 把 MCA 作为评测分桶的元参数，是 Phase 2 14 case 反向校准（特别是 A-4 跨市场翻译损耗）暴露后的原创吸收，业内空白。R1 新增 D9 跨市场对照推理与 MCA 直接配对评测。
-
FinBayes 不评测「点估计准确率」——这是与所有 3 套框架的根本差异。FinBayes 输出的是认知结构（多机制 + 多场景 + 双峰后验 + 适用性标签 + 可比度量化 + 跨市场归因 + 边际风险贡献），而非「股价预测」「估值点值」。评测的核心问题不是「预测对不对」，而是「结构是否完整 + 是否输出足够多的失效条件与反方证据」——这一定位需要在评测样本标注阶段被金融专家 reviewer 持续校准，避免无意识地回到「点估计准确率」的传统范式。
-
D8 / D9 / D10 / D11 是 R-A 金融专家提出的「懂金融 vs 通用 LLM + 金融提示词」差异化护城河（R1 新增）——R-A 指出原 7 维中 D1 / D3 / D4 通用 LLM 经金融提示词可达 70-80% 完成度，难以拉开差距；要拉开差距必须加金融历史可比性 / 跨市场对照 / 数据可靠性 / 组合层四维。这四维是 Damodaran / Howard Marks / Druckenmiller / Greenwald / Markowitz 长期反复强调的能力，通用 LLM 在此维度普遍弱，构成 FinBayes 第一版的差异化锚。
八、Phase 6 R1 修订记录
修订范围：本次 R1 修订针对 Phase 6 R-A 金融专家 + R-C 评测专家 review 暴露的 P0-3 评测体系 8 项硬缺陷 + P1-2 D8-D11 四维扩展。
P0-3 评测体系 8 项硬缺陷修订完成度：
| # | 缺陷 | 修订方式 | 完成度 |
|---|---|---|---|
| 1 | D7 S1 标答自指（14 case 自标 contamination） | 引入 5 个外部独立标答源（Damodaran "Narrative & Numbers" / Marks memo / Stratechery / FT Alphaville / NYU Stern 课程库）+ 外部源标注必须 IAA kappa ≥ 0.7；14 case 原标注降为内部参考 | ✅ |
| 2 | 14 case 期望激活清单数据泄漏 | 70/20/10 开发集 / 测试集 / holdout 三集划分；标答 + 期望激活 + 关键洞察 + 事后演化撤回工程仓内部；holdout 桶位均匀分布 | ✅ |
| 3 | D4 GED NP-hard | 改为「节点子集 F1（0.35）+ 边子集 F1（0.35）+ 子图同构匹配率（0.30）」三分量替代；可选 Riesen-Bunke 编辑距离上界近似（O(n³)） | ✅ |
| 4 | D3 相位 MAE 离散化粒度未定 | 明确「季度」作为相位最小单元；7 时钟槽位 v1 起步仅强制评 M3.t1 / M3.t2 / M3.t5 三槽位，其余抽样 IAA | ✅ |
| 5 | D6 多标签 F1 防 top-3 gaming | 按 14 case 历史频率反向加权（高频 ×0.5 / 低频 ×2.0）+ 同时报告 macro-F1（差距 > 0.15 触发复审）+ 新增 ECE 校准指标 | ✅ |
| 6 | D1 M1.3 开放分类 IAA 门槛 + 分母闭合 | 六字段拆「闭合类」与「开放分类类」；开放分类类必须经 ≥ 2 专家 IAA kappa ≥ 0.7 方入分母 | ✅ |
| 7 | MCA B5 桶拆 B5a / B5b | B5a（A 股政策点火，A-1）vs B5b（A 股散户踩踏，A-3），主映射机制差异显式拆分 | ✅ |
| 8 | MCA B7 零样本桶 | v1 起步 1-2 case anchor（L7 + L2）+ 单独基线（不参与百分位对照）+ v1→v2 不强制跨 B7 桶 + v2 起补足 ≥ 10 case 后纳入正式百分位 | ✅ |
P1-2 评测体系扩 D8-D11 四维定义完成度：
| 维度 | 名称 | 定义 / 主映射 / 样本 / 公式 / MCA 分桶五项规约 | 完成度 |
|---|---|---|---|
| D8 | 金融历史可比性 | 完整：5 类样本 + 4 项指标 + 跨时段 / 跨桶两类 MCA 分桶 | ✅ |
| D9 | 跨市场对照推理 | 完整：4 类样本 + 4 项指标 + 必须跨 ≥ 2 MCA 桶约束 | ✅ |
| D10 | 数据可靠性鉴别 | 完整：6 类样本（含 ≥ 5 个事后被证实造假 case + ≥ 15 健康对照）+ 3 项指标 + I3+C3 桶强制评 | ✅ |
| D11 | 风险预算与组合层 | 完整：5 类样本 + 5 项指标 + v1 仅在 B1 / B2 / B3 桶强制评 | ✅ |
评测维度从 7 → 11 是否暴露新的内部不一致：
经盘查，11 维度结构上一致，无新增内部矛盾。需在 Phase 6 R2 进一步处理的潜在交叉：
- D2 与 D10 边界：D2 评信源可靠性建模 + 跨源对齐，D10 评数据本身可信度（异常应计 / 关联交易等）。R-A §6.3 已建议 D2 进一步拆分（信源元数据 / 政策语义 / 分歧诊断三子层），R1 未处理该拆分（留 Phase 6 R2 或 Phase 7 ADR-007 supplement 决定），D2 / D10 交叉边界 R2 需明示。
- D4 子图同构 vs D8 可比度量化：D4 评单 case 内部传导链路；D8 评跨 case / 跨时段的链路结构相似度。两者算法可共享子图同构方法，建议在 R2 时统一工程实现栈，避免重复实现两套同构匹配。
- D8 / D9 与 MCA 分桶元数据的耦合：D8 / D9 大量依赖 MCA 轴位作为分析对象。P0-2 拟立的 MCA 轴 7（货币与跨境约束）落地后，D8 / D9 评测样本与指标需同步扩展，R2 评估时一并处理。
- D11 依赖 M6.2.x 相关性结构稳定性子机制：M6.2.x 是 P0-1 拟立的金融方法论补位（R-A §2.2），未落地前 D11 的「相关性跃迁预警召回」无机制支撑，R1 已显式标注「v1 起步仅在 B1 / B2 / B3 强制评，待 P0-1 落地后扩展」。
落盘路径：governance/workstreams/finbayes-cognition-system-research/drafts/2026-05-28-phase4-evaluation-system.md
Simbrief（≤500 字）
修订范围：R1 修订针对 Phase 6 R-A + R-C review 暴露的 P0-3 评测体系 8 项硬缺陷 + P1-2 D8-D11 四维扩展。评测维度从 7 → 11。
P0-3 8 项硬缺陷修订完成度：✅ D7 标答自指（引入 Damodaran / Marks / Stratechery / FT Alphaville / NYU Stern 5 个外部独立标答源 + IAA kappa ≥ 0.7）；✅ 14 case 数据泄漏（70/20/10 dev / test / holdout 三集划分，标答撤回工程仓）；✅ D4 GED NP-hard（改三分量「节点 F1 + 边 F1 + 子图同构匹配率」）；✅ D3 相位 MAE 离散化（明确「季度」为相位单元）；✅ D6 多标签 gaming（按频率反向加权 + macro-F1 对照 + ECE 校准）；✅ D1 M1.3 开放分类（拆闭合 / 开放两类 + IAA kappa ≥ 0.7 门槛）；✅ B5 桶拆 B5a / B5b（政策点火 vs 散户踩踏）；✅ B7 零样本桶（v1 起步 1-2 case anchor + 单独基线 + 不强制跨桶）。
P1-2 D8-D11 四维定义完成度：✅ D8 金融历史可比性（4 类样本 + 4 项指标 + 跨时段 / 跨桶分桶）；✅ D9 跨市场对照推理（4 类样本 + 4 项指标 + 必须跨 ≥ 2 桶）；✅ D10 数据可靠性鉴别（6 类样本含造假 case + 健康对照 + 3 项指标 + I3+C3 桶强制）；✅ D11 风险预算与组合层（5 类样本 + 5 项指标 + 仅 B1-B3 强制评待 M6.2.x 落地后扩展）。
评测维度从 7 → 11 是否暴露新的内部不一致：结构上无新增矛盾，4 个潜在交叉留 Phase 6 R2 处理——D2 与 D10 边界（R-A §6.3 拟拆 D2）；D4 子图同构与 D8 可比度量化的算法栈统一；D8 / D9 与 MCA 轴 7（P0-2）落地后的同步扩展；D11 依赖 P0-1 M6.2.x 子机制落地。
落盘路径：governance/workstreams/finbayes-cognition-system-research/drafts/2026-05-28-phase4-evaluation-system.md