@@ -898,22 +898,40 @@ async function main(argv: string[]): Promise<void> {
   )
   console.log(`${D('  配对比较，90% 区间（单侧 α=0.05 ⇒ 等价结论的置信水平是 90%）')}`)
   const bad = judged.filter((c) => c.gold === 'bad')
+  const good = judged.filter((c) => c.gold === 'good')
+  const pct = (x: number) => `${x >= 0 ? '+' : ''}${(x * 100).toFixed(1)}%`
+  console.log(`${D('  ① 拦住坏东西的能力差（正 = 闸门比「没有闸门」抓得多）')}`)
   for (const arm of ARMS) {
     if (arm === 'accept-all') continue
-    // 假确认那一侧：只在「该拦」的格子上比（接受了就是假确认）
-    const b1 = bad.filter((c) => c.verdicts[arm] === 'accept' && c.verdicts['accept-all'] !== 'accept').length
-    const c1 = bad.filter((c) => c.verdicts[arm] !== 'accept' && c.verdicts['accept-all'] === 'accept').length
-    const t1 = tostPaired(b1, c1, bad.length, MARGIN)
-    const mde = pairedMde(bad.length, (b1 + c1) / Math.max(1, bad.length))
-    const pct = (x: number) => `${x >= 0 ? '+' : ''}${(x * 100).toFixed(1)}%`
+    // 捕获那一侧：只在「该拦」的格子上比。正负号翻过来，让「正数 = 更好」符合直觉
+    const b = bad.filter((c) => c.verdicts[arm] !== 'accept' && c.verdicts['accept-all'] === 'accept').length
+    const c = bad.filter((c) => c.verdicts[arm] === 'accept' && c.verdicts['accept-all'] !== 'accept').length
+    const t = tostPaired(b, c, bad.length, MARGIN)
+    const mde = pairedMde(bad.length, (b + c) / Math.max(1, bad.length))
     console.log(
-      `  ${arm.padEnd(12)}假确认差 ${pct(t1.delta).padStart(7)}  90%区间 [${pct(t1.lower)}, ${pct(t1.upper)}]  ` +
-        `p=${t1.p.toFixed(3)}  ${t1.equivalent ? G('✓ 可声称等价') : D('不足以声称等价')}` +
-        `${D(`   本次设计对假确认的 MDE ≈ ${(mde * 100).toFixed(1)} 个百分点（n=${bad.length}）`)}`,
+      `  ${arm.padEnd(12)}${pct(t.delta).padStart(7)}  90%区间 [${pct(t.lower)}, ${pct(t.upper)}]  ` +
+        `p=${t.p.toFixed(3)}  ${t.equivalent ? G('✓ 可声称等价') : D('不足以声称等价')}` +
+        `${D(`   MDE ≈ ${(mde * 100).toFixed(1)} 个百分点（n=${bad.length} 个该拦的）`)}`,
+    )
+  }
+  console.log(`${D('  ② 误伤好活的程度（正 = 闸门比「没有闸门」更容易拦下合法的活）')}`)
+  for (const arm of ARMS) {
+    if (arm === 'accept-all') continue
+    // 假警报那一侧：只在「该放行」的格子上比
+    const b = good.filter((c) => c.verdicts[arm] !== 'accept' && c.verdicts['accept-all'] === 'accept').length
+    const c = good.filter((c) => c.verdicts[arm] === 'accept' && c.verdicts['accept-all'] !== 'accept').length
+    const t = tostPaired(b, c, good.length, MARGIN)
+    const mde = pairedMde(good.length, (b + c) / Math.max(1, good.length))
+    console.log(
+      `  ${arm.padEnd(12)}${pct(t.delta).padStart(7)}  90%区间 [${pct(t.lower)}, ${pct(t.upper)}]  ` +
+        `p=${t.p.toFixed(3)}  ${t.equivalent ? G('✓ 可声称等价（误伤可忽略）') : D('不足以声称等价')}` +
+        `${D(`   MDE ≈ ${(mde * 100).toFixed(1)} 个百分点（n=${good.length} 个该放行的）`)}`,
     )
   }
   console.log(
-    `${D('  ★ 阴性结论必须带 MDE：说「测不出来」时，同一行要写清这套设计本来能看见多大差异')}`,
+    `${D('  ★ 阴性结论必须带 MDE：说「测不出来」时，同一行要写清这套设计本来能看见多大差异。')}` +
+      `\n${D('  ★ 这个工具真正的用武之地是「两组本来就没差别」的那些比较（如 Round 1 的契约 vs if/else），')}` +
+      `\n${D('    它在那里才能把「测不出来」写成正面结论；在本文这批数据上各组是真有差别的。')}`,
   )
 
   // ── 复合可靠性：不发明 r，报 r* ──────────────────────────
 
@@ -134,9 +134,9 @@ n=30 就够；DERAIL 报的是「跑到第一次违规用了多少轮」，上
 | A | **混淆矩阵仪表**：把「谁批准了什么」折成 2×2 + c/f/r + 复合可靠性 | `src/verifier-matrix.ts` + `tests/verifier-matrix.test.ts` + `bench/confusion.ts` | ✅ 已落地（见 §5） |
 | B | **配对化**：同一批候选跨臂复用 + 精确 McNemar | `bench/confusion.ts` | ✅ 已落地 |
 | C | **分母纪律 + Coverage + 零事件上界** | `src/verifier-matrix.ts`（`Proportion` 永远带分子分母） | ✅ 已落地；保守纳入敏感度表未做 |
-| D | **等价检验（TOST）** | `src/stats.ts` | ⬜ 未做 —— 这是五篇都没做、我们必须自己发明的那一件 |
+| D | **等价检验（TOST）+ 最小可检测差异** | `src/equivalence.ts` + `tests/equivalence.test.ts` | ✅ 已落地（12 个测试，含「差异大时绝不许说等价」的反例）；Δ 仍需 owner 定 |
 | E | **做大效应**：伪证据任务改成 40–80% 假成功量级 | `bench/claim-variants.ts` 的任务表 | ⬜ 未做 |
-| F | **控制臂** | `bench/confusion.ts` | 🟡 ①有效前提负控 + ②证伪操纵已落地；②**判据未满足**且操纵本身有混淆，见 §5.3 |
+| F | **控制臂** | `bench/confusion.ts` | ✅ ①有效前提负控 + ②证伪操纵（**换成别的任务的证据**）。②给出了决定性结果：同族判官的裁决对证据内容**完全不敏感** |
 
 **A、B、C 必须先做**（已完成）—— 旧的端到端结果（1 个事件、臂间漂移）既欠功效也不可解释。
 
@@ -216,3 +216,41 @@ npm run claim-confusion [--repeat N] [--limit N]
 
 ⇒ 下一步要做的是**长度相当、非空、不矛盾**的填充格（filler），在那之前两边都不下结论。
 这条记在案，不许拿它当「判官不读证据」的证据用。
+
+### 5.4 证伪操纵的最终形态与结果（2026-09）
+
+**做对这件事踩了两次坑，两次都会得出错误结论：**
+
+1. **抹掉证据格** —— 第一次的形态。结果无法解释：空格子**本身就是信号**
+   （「什么都没记录」），照着空格子答 `unsupported` 仍然是在读帧。判据没满足，
+   按失败报。
+2. **换成同一个任务、另一次重复的证据** —— 第二次的形态。结果**一格都没变**，
+   看起来像「判官不读证据」。真实原因：动作是照 `task.required` 脚本化走的，
+   同一任务的每次重复读的是同一批文件，**渲染出来的证据几乎是同一个字符串**。
+   换了个寂寞。
+3. **换成别的任务、金标「该放行」那一格的证据**（最终形态）—— 真实、非空、
+   形态相同、内容无关。
+
+最终结果（n=72）：
+
+| 臂 | 换证据后变了几格 | 假警报 真帧 → 换证据 |
+|---|---|---|
+| **`judge-jev`** | **37 / 72** | **5% → 65%** |
+| `judge-same`（同族通用模型） | **0 / 72** | 7% → 7% |
+| `compiled` | 2 / 72 | 2% → 5% |
+
+★ **一句话结论：Jev 的裁决依赖声明过的那份帧；把同一个模型配上提示词当判官，
+它根本不看证据格。** 这一条重排了整张表 —— `judge-same` 抓得少不是「模型不会判」，
+而是**证据格对它来说是装饰**。
+
+### 5.5 三次同配置运行的排序不稳定（必须写进论文）
+
+| 运行 | 误导候补 | `judge-jev` 捕获 | `judge-same` 捕获 | McNemar |
+|---|---|---|---|---|
+| 1 | 9 | 44% | 56% | 不可分辨 |
+| 2 | 11 | 73% | 36% | p = 0.063 |
+| 3 | 12 | 82% | 8% | **p = 0.006** |
+
+**方向翻过一次。** 十来个正例不足以给两个闸门排序，run-to-run 的波动比要测的差异还大。
+能稳定复现的只有操纵那一条。⇒ 论文里要写成「机制已确立、效应量未确立」，
+并附上 MDE（12 个正例时约 23 个百分点，300 个时约 5 个百分点）。