为什么几何不能压缩权重

*一个研究的故事：从嵌入的几何 — 经由 Google 的 TurboQuant — 到权重与激活的不对称性，以及对模型作为动力系统的意外理解。

• 3 个模型 — SmolLM-135M · Qwen2.5-0.5B · TinyLlama-1.1B — 三种架构，同一模式
• 124 个实验 — 带技术标志；相关性分析“什么真正有效”
• 4.2875 bit/weight — CHMC 与 GPTQ 相等的比特预算——诚实的比较，没有隐藏的加成
• v1 → v6: 4894× → ~1.18× — SmolLM 上 PPL 比率的演化；转折点——是方法论，不是几何学

序章. 那个让人无法安宁的问题

不久前我写了一篇关于嵌入空间几何的文章。主要结论简单且（在我看来）重要：语言模型的表示并非均匀地铺满整个空间，而是聚集在一个狭窄的锥体内。

它们是各向异性的、低维的，其内在维度远小于形式维度。这不仅仅是一个理论构造 — 在多个模型上的测量表明，激活能量的 90% 集中在极小一部分维度中，而向量之间的平均余弦约为 0.75，而非各向同性空间所预期的零。

发表一个月后，Google 发布了 TurboQuant（ICLR 2026）。该方法恰好采用了这些思想 — 锥形几何、各向异性、低内在维度 — 并将它们应用于 KV 缓存和嵌入。结果：6–8 倍压缩且无质量损失。我的理论得到了强有力的工业界确认。

但剩下一个 TurboQuant 没有回答的问题：权重呢？如果几何对激活有效，那么它是否也对模型自身的参数有效？更广泛地说：能否将几何压缩不仅应用于模型产生的数据（激活、嵌入、KV 缓存），还应用于模型本身、它的权重？

这个项目就这样开始了。先说明一点：我并没有试图超越 GPTQ。我的目标是理解几何方法的适用边界在哪里，以及为什么它对激活如此出色地有效、而对权重（结果证明）完全无用。答案比"又一种量化方法"更优美 — 本文正是关于这个答案的。

方法。什么是 CHMC

CHMC — Covariance/Hessian-Aware Manifold Compression. 一句话概括其思想：将每个权重矩阵拆分为两部分——一个低秩部分，用于捕捉激活的"锥体"（数据实际存在的方向），以及一个残差部分，

按照 GPTQ 进行逐列误差补偿量化；每一层的秩被选择为使得总比特预算与 GPTQ 的预算完全一致。这不是"又一个量化器"——而是位于 GPTQ 优化器之上的几何前端。

输入数据与 GPTQ 相同：校准样本（WikiText 的 2048 个 token）以及该样本上每一层的激活 X。其余一切都从权重和这些激活出发，分三步计算。### 步骤 1. 沿锥体的低秩部分

沿输入方向计算阻尼化的激活能量，并在加权范数下做截断 SVD——使误差恰好在大激活处最小：

代码中的步骤 1（v6/chmc_v6.py + v5/stabilizers.py）：c — 激活的阻尼对角协方差；svd_lowrank — 带 power 迭代的随机化 SVD（niter=5）。锥体假设正是在这里进入方法：高激活能量方向被更精确地逼近。

步骤 2. 残差——按 GPTQ 的逐列补偿

R = W − W_lr 用与 GPTQ 相同的算法量化：来自校准激活的 Hessian，经 Cholesky 分解求逆，各列按重要性降序处理（act-order）；每量化完一列，其误差从剩余列中减去：

代码中的步骤 2（quantize_with_compensation_strict）：group_size = 128 — 每组输出通道共用一个 scale；strict_sequential=true 意味着"一次一列，完整的 H⁻¹ 行"——这正是 GPTQ 真正的更新步。

步骤 3. 相等的比特预算

每层存储：低秩部分（U、V 为 FP16）、INT4 残差和组 scale。每个权重的位数被显式计算，而 r_layer 的选取使总 BPW 不超过 4.2875——即 GPTQ 的水平：

代码中的步骤 3（v6/bpw.py）：o, i — 层尺寸；b = residual_bits = 4; gs = group_size = 128。CHMC 的 scale 组沿输出通道方向（⌈o/gs⌉·i），GPTQ 沿输入通道方向（o·⌈i/gs⌉）。预算中唯一的自由参数是秩 r。

结果：W_comp = W_lr + R_q。 而与 GPTQ 的主要区别在于：

第 1 部分. 锥体假设得到证实——三次

在尝试压缩权重之前，必须先确认原始的几何图景是正确的。我在三个不同规模的模型上做了系列测量：SmolLM-135M、Qwen2.5-0.5B 和 TinyLlama-1.1B。结果如下。

激活生活在狭窄的锥体中。

对每一层，我估计了激活的有效维度——解释 90% 方差所需的主成分数。全网络平均为 576 维中的 9 维†（空间的 1.56%）。同一层内激活之间的平均余弦 ≈ 0.75‡——在等向空间中它应接近零。这是直接证据：表示并不填满空间，而是集中在狭窄的锥体中。

而权重却是满秩的。

对权重矩阵做同样的分析显示了完全不同的图景：权重的最小有效秩为 29–30，中位数约 60§。对于例如 576×576 大小的矩阵，这意味着权重确实是稠密的，没有明显的低秩结构。

因此，锥体是模型自身创建的。

如果激活是窄的而权重是稠密的，那么映射"稠密权重 → 稀疏激活"就是训练本身的性质，而不只是数据的反映。模型自己把稠密信息投影到狭窄的多流形上。后来，借助拓扑分析（持续同调与 3D 投影），我找到了一个漂亮的细化：

锥体是网络中部的瓶颈。在中部块中，最多 98.9% 的方差落在三个主成分上（SmolLM 的峰值位于网络中部；Qwen 和 TinyLlama 从最初的几个块就已达到——图 2）——点云被字面意义上卷成了锥体，

而在输入端和输出端表示又变得弥散（两端为 13–43%）。该模式在三种不同架构上完全一致。几何是真实的，并且由模型在处理过程中创造出来。

SmolLM-135M (d = 576)

Qwen2.5-0.5B (d = 896)

TinyLlama-1.1B (d = 2048)

按块的完整画像。 图 2 和表 2 给出所有块的诚实全貌："中部"具体在哪里取决于模型，但模式本身（前 1–2 个块之后出现窄锥体、两端更等向）处处成立。

† 估计"d90 ≈ 576 中的 9"来自此前在句子嵌入层面的研究。对本项目数据中逐 token 的 decoder-块输出，画像更加极端：中部块里单个主成分已解释 ≥90% 的能量（d90 = 1），而两端 d90 达到 ~235。

‡ "平均余弦 ≈ 0.75"——在 SmolLM-135M 上测得（按块范围 0.5–0.8）。Qwen2.5-0.5B 更低（0.08–0.64），TinyLlama-1.1B 还要低（~0.13–0.38）：各向异性的强度取决于模型，但"瓶颈"模式在三个模型上都成立。

§ 权重的有效秩——v5 约定（归一化谱的 exp-熵）。上文引用的数字来自此前对另一层子集的研究；在本项目的 TDA 分析中，所有权重矩阵的最小有效秩为 18.7–22.1，中位数依模型为 274–930（附录 B）。

第 2 部分. 从崩溃到平局

于是，激活是锥形的，权重是稠密的。第一个想法：如果模型把数据投影到一个锥体中，那么也许可以利用关于这个锥体的信息来压缩权重。例如，如果大多数激活落在一个低维子空间中，

那么权重在该子空间之外方向上的量化误差应该不那么关键。这就是基本的直觉。

接下来——一系列实验；方法的每个版本都加入了某个想法。以下是简要的时间线：

第一个版本是一场灾难：不考虑误差结构的朴素 SVD 导致了困惑度的巨大增长。逐步地，通过加入自适应秩选择、正确的比特成本核算、协方差修正和稳定器，我把方法提升到了与 GPTQ 可比的水平。

这条路上的两个转折点都是方法论性质的。

第一：诚实的比特核算

在早期阶段，我兴高采烈地宣称咱们马上就能碾压所有人，但与此同时每个权重我花了 4.5 比特，而 GPTQ 是 4.29——质量上我还是输。只有当我引入了相等比特预算（BPW）下的严格比较后，

之前所有的结论都失效了。原来，没有对预算的诚实核算，任何结果表都是虚构的。这大概是本项目最重要的实践教训。

第二：统计

当某个带 dampening Λ=0.05 的配置给出 PPL 1.1723，而 GPTQ 是 1.1761 时，我差点就宣布胜利了。但另外三次运行显示：均值 — 1.1793，也就是说平均而言我是输的。

那次胜利不过是四次运行中最好的一次。0.007–0.009 的波动是真实的，按单次运行来比较就是占卜。从那以后，每个关键配置我都用不同的种子测 3–4 次，并按均值而不是最佳运行来比较。

数字上的结果（相等预算 4.29 比特/权重）：

该方法是有竞争力的：在一个模型上它稳定地击败工业界 SOTA，在小型模型上它以 6–11× 的优势超过朴素的标量量化（在 SmolLM 上，scalar_q4 是 16.48×，

而我的方法是 1.42×——预算相当，~4.0–4.2 比特/权重）。但没有几何上的优越性。为什么？

第 3 部分. 几何末日

我尝试了文献和我的理论所提示的所有几何技术：Hadamard 旋转（来自 QuIP#）、Lloyd-Max 量化器、锥体分解、QJL 修正（来自 TurboQuant）。全部失败了：

失败背后的数学比失败本身更有教育意义。

QJL 在物理上无法存储权重

它的重构 signs @ Uᵀ 的秩不超过投影数，也就是说它只能表示低秩矩阵。low-rank 近似之后的残差按定义不是低秩的——因此 QJL 原则上无法对它进行编码。理论误差界限 — √(1−1/4) ≈ 87%。这是一个用于估计范数的工具，而不是存储权重的格式。

旋转不改变目标函数，但会改变量化格

我证明了 loss 对权重的正交旋转是不变的（这只不过是换基）。然而，旋转之后权重的分布变得更接近高斯，

而 INT4 量化器——它在各向异性数据上工作得极好——开始工作变差。最关键的是：在原始锥体空间中的 data-adaptive 误差补偿（GPTQ 所做的事）胜过旋转空间中任何分布上的最优性。锥体假设之所以赢过旋转，恰恰是因为它不破坏各向异性。

唯一起作用的杠杆——不是几何

是 dampening（Λ=0.05），也就是对 Hessian 矩阵估计的正则化。当校准数据很少时，估计是有噪声的，而逆矩阵会放大低能量方向上的噪声。

阻尼带来了 −4%——比所有几何技术加起来还多（它们给出的是零或负值）。这是第一个警钟：起作用的不是捕捉几何，而是控制噪声。

整个项目 124 个实验的统计也证实了这一点。我收集了每次运行的标志位——哪些技术被启用、该运行是否击败了 GPTQ——并计算了相关性。结果：唯一与成功正相关的标志是 dampening（+0.40）；

所有几何标志（旋转、锥体、Lloyd-Max、QJL）与成功负相关或接近零。几何在一个失败的运行中都没有帮过忙，而是系统性地、在整个实验集合中都没起作用。

甚至改进基础数学也在反噬我。加权 SVD 被认为是一种带 power-迭代 的随机化算法，于是我验证了：更多迭代——更精确的分解——更好的质量？恰恰相反：5 次迭代 — ratio 1.0586，10 — 1.0610，20 — 1.0662。

精确的近似会在校准数据上过拟合；稍微不精确的反而泛化得更好。这又是噪声控制比结构捕捉更重要这一主题上的一笔——也是支持诚实统计的又一个论据：本文中的所有比较都按种子均值给出。

第 4 部分. 漂移与最后一个死胡同

还剩一个漂亮的想法：量化之后，点-词元会漂移。漂移 d(x) = (W_comp − W)x — 线性场。输入位于锥体中，因此漂移应该是低维的，可以用便宜的 low-rank 增量来修正。我甚至提前制定了停止判据：如果漂移的维度高于 50 — 假设不成立，关闭这个方向。

漂移诊断（drift_diagnostics.py）：D — decoder 块输出上的漂移矩阵（同样的 2048 个词元，CHMC v6 压缩前/后）；V_c — 中心化输入云的 top-10 右奇异向量；cap30 — 沿锥体轴的秩 30 修正所能捕获的漂移能量份额的上界。

在全部三个模型和所有块上的结果：d90 漂移 = 227–792。散布的能量被涂抹到数百个方向上。理想化的秩 30 修正只能捕获约 ~3% 到 ~39% 的漂移能量（表 6）。假设未获证实 — 干净利落地，按照事先宣布的规则，没有"调一调再试试"的诱惑。

cap30 — 沿锥体轴的秩 30 理想化修正所捕获的漂移能量份额。所有块都违反停止判据 d90 ≤ 50。在中部块中，锥体是集中的（SmolLM blk 15、Qwen blk 6、TinyLlama blk 11），

漂移与锥体的主轴对齐（overlap ≈ 0.4–0.7），但其大部分能量位于其他方向 — 那里的 cap30 ≤ 27%。

还剩最后一个机会：总漂移是高维的，但每个单独层的贡献是低秩的。那么就可以只压缩"安全"的层，其余保持 FP16。

我在 SmolLM 的全部 210 个可压缩层上验证了：层的局部漂移 D_l = X·(W − W_comp)ᵀ — 该层在纯净 FP 输入上的纯贡献，无额外 forward 过程。判据事先宣布：

≥50% 的层满足局部 d90 ≤ 30 → 继续，否则关闭。结果：中位局部 d90 = 230（范围 9–339），低于阈值的 — 仅 210 个层中的 1 个（0.5%），唯一通过的 — L0.o_proj（秩 2，d90 = 9）。

per-layer 漂移的幅度很小（块 0 中层输出的 ~2–10%），但它在每个单独的层中就已经是高维的：局部 d90 不随深度增长，而是平躺在所有块上 ~220–247。机制完全相同：GPTQ 补偿把舍入误差分配到输入的所有活跃方向 — per-layer

漂移范数小，但在每一层中都几乎各向同性。按安全维度做的选择性压缩 — 关闭。

就在这时拼图拼合了。有一个结构性论据：我的增量修正 ΔW = E·V·Vᵀ — 严格弱于 GPTQ 内部已经在做的事：它的逐列补偿在所有校准输入方向上最小化误差，

而锥体修正 — 只是一个子集。GPTQ 之后，残差误差几乎正交于数据分布。把它投影到锥体上 — 没什么可投的。

另外值得澄清的是与 Hoare 逻辑中"类比定理"的联系（已发表文章, Nature Scientific Reports），

我们曾把它讨论为量化保证迁移的形式框架。它的度量不在权重空间中，而在信号空间中：这就是逐层的激活漂移 D_l = ‖post_l − pre_l‖ — 信号在通过某个具体层时变化多少；

如果 D_l 保持在安全界限内（≤ ε−γ），质量就得以保持。同时，权重矩阵 W 和量化误差 E_q = W − W_q 在其中只是作为其他已存在方法（AWQ、GPTQ、LQER）的对象出现 — 这些方法修复或压缩权重本身；定理看的是结果 — 权重压缩如何影响模型内部的信号 — 并正是在信号空间中做出判断。

我们按层精确测量了这个量 — 得到了与总漂移相同的结果：幅度小、维度高（中位局部 d90 ≈ 230；没有层在"D_l ≤ ε−γ 的低秩意义下"是安全的）。

如果漂移被证明是低维的，D_l 就会成为天然的精度度量 — 选择性压缩的门控：压缩 D_l ≤ ε−γ 的层，其余保持 FP16。相反，这条路成了死胡同：没有安全的层，这与本部分的其他一切相一致。

第 5 部分. 统一的图景：权重 — 定律，激活 — 轨迹

项目的所有负面结果突然被一个"定理—观察"所解释：

锥体是一个信号，并且一次传递就被耗尽了（沿锥体的加权 SVD，一阶）。数据自适应量化之后的残差在结构上是一个无结构的高维场。噪声没有什么可利用的 — 因此任何几何附加物（旋转、锥体、QJL、增量修正）都给出零或负值。

但这只是图景的一半。另一半是一个后来在一次对话中到来的理解。

激活不是"中间嵌入"。这是模型的内部状态

Transformer — 一个离散动力系统：

其中 $F_l$ 由第 l 层的权重给定。那么一切都各就各位了：

• 权重 = 动力学定律（程序，系统的"哈密顿量"）。稠密的、满秩的、被训练清理过的。
• 内部状态 $h_l$= 系统的轨迹。而轨迹位于一个低维吸引子上 — 这正是我们的锥体（d90=9，各向异性 0.75）。

这是动力系统理论中的经典图景：运动方程可以任意复杂，但轨迹收敛到低维吸引子。我们字面意义上测量到了这一点 — 而且吸引子向网络中部收缩（中部块中 98.9% 的方差位于 3 个主成分中，边缘为 13–43%）：处理的最深处 — 状态最压缩之处。

现在这种不对称性变得显然了：

• 轨迹是冗余的：它位于吸引子上，锥体之外根本什么都没有。因此状态是可压缩的 — TurboQuant 把 KV 缓存（状态的存储）压缩了 6–8×。
• 定律是稠密的：正是它保持着轨迹在吸引子上。其中没有冗余 — 训练已经把它去掉了。因此几何在那里帮不上忙，GPTQ 获胜。

模型被训练为在计算中创造冗余，而在参数中不创造。它是锥形几何的生成器，但它本身并不具有几何性。

诚实的保留：吸引子是一种解释，而不是定理。但这种解释是富有成效的：它不是被拟合到答案上的，而是预测了我们更早获得的三个独立观察。

我们的三个结果在动力系统的光照下

• 误差的线性累积（跨层从 1.02 → 1.33）。受扰动的动力学（压缩后的权重）使轨迹偏转，但吸引子把它拉回来 — 偏离是线性的，而不是指数级的。模型之所以对量化稳健，正是由于锥形结构。
• TDA 的"宏观同胚伴随微观噪声"：压缩保持了吸引子的宏观结构（压缩前/后余弦 ≥ 0.98，权重的有效秩偏移约 1%），但用细噪声将其饱和 — 虚假的循环（b1-gain）。
• 高维漂移：轨迹的扰动不是沿锥体的位移，而是围绕它的散布：状态回到吸引子上，而噪声留在横向方向中。因此漂移的 d90 为 227–792。

尾声. 这带来了什么

没有发生突破：没有 100× 压缩，也没有对 GPTQ 的稳定胜利。但发生了别的事情。

第一，理解。我得到了一个带有机制的连贯图景：为什么几何对激活有效（TurboQuant）而对权重无效；为什么数据自适应补偿击败基于分布的最优性；锥体在哪里、压缩时拓扑发生了什么。

第二，带解释的诚实负面结果 — 一个罕见而有价值的体裁。"QJL 无法存储权重，这是误差上限"、"漂移不是低秩的，这是维度"、"旋转破坏各向异性，这是不变量" — 这些是为后来走这条路的人准备好的答案。

第三，实践。该方法在小模型上比标量量化好 6–11 倍 — 正是在它灾难性崩溃的地方 — 并提供对模型的可解释分析（秩、能量、层的敏感性），这是 GPTQ 黑盒所没有的。

而最重要的 — 我不再想着"击败 GPTQ"了。我意识到，我最初的问题不是"如何用几何压缩权重"，而是"几何压缩的边界在哪里"。答案果然是优美的：

几何描述模型，但不能比数据自适应更好地压缩它的权重。锥体是模型所创造的；而它已经创造并打包进权重的东西，只能被无剩余地压缩到噪声。

理想的边缘端栈 — 权重用 GPTQ，KV 缓存用 TurboQuant。几何获胜了，只是不在我们最初寻找的地方。

后记：为什么这对整个领域重要

我们的项目现在给出的不再是"我们试图击败 GPTQ 但没有做到"，而是一个完整的理论：

"我们表明，LLM 激活的几何（锥体假设）在压缩模型数据（KV 缓存、嵌入）时带来显著收益，但在压缩模型参数（权重）时没有。这解释了 TurboQuant 在激活上的成功和所有几何技术在权重上的失败。LLM 在自己的计算中创造冗余，而在自己的参数中不创造。"

这一理论统一了：

• TurboQuant 在激活上的成功
• 几何方法在权重上的失败
• GPTQ/AWQ 在权重上的成功
• 锥体假设（作为函数的性质，而非参数的性质）

它同样给出了一个实践结论：要在边缘端压缩 LLM 需要两种不同的工具，因为我们压缩的是两个不同的实体 — 定律与轨迹。

附录 A. 可复现性

CHMC v6（量化）。 strict_sequential=true; dampening λ = 0.05; residual_bits = 4; group_size = 128 → 总 BPW = 4.2875（各层秩来自 v6/bpw.py，表 1）；

seed = 42。关键配置用 ≥3 个种子测量（SmolLM 和 TinyLlama），Qwen — 单次运行（在表 4 中标注）。GPTQ 参考：GPTQModel, 4-bit / group-128.

TDA 分析（拓扑）。 kNN 图，k = 32，每块 sample_points = 512，seed = 42；H₀ — 连通分量的 union-find + GUDHI 交叉核对（0 不匹配）；W₁ 距离 — 截断 top-64 L∞。产物：results_v6/tda_analysis/.

漂移诊断。 D = post − pre，在 decoder 块输出上（同样的 2048 token）；PCA — 中心化矩阵的 SVD (numpy)；锥体基 V_c — cent(pre) 的前 10 个右奇异向量；cap30 = ‖Dc·V_c[:, :30]‖²/‖Dc‖²。

停止判据（d90 > 50 或 overlap < 0.3）在实验之前宣布。产物：results_v6/drift_correction/step1_diagnostics/.

环境。 文中所有分析 — CPU-only (torch 2.13.0+cpu)；量化 GPU 运行在单独的环境中进行。图：results_v6/article/figures/.

附录 B. TDA 跨模型比较（pre vs post CHMC v6）

附录 C. 来源与链接

项目仓库（代码 + 可复现结果）： github.com/xmillogx-cmd/chmc-llm-quant

A. 文章中直接提及

• TurboQuant（Google Research, ICLR 2026）— KV 缓存/嵌入的几何压缩；整个项目的参考基准：arXiv: 2504.19874（Zandieh et al., "Online Vector Quantization with Near-optimal Distortion Rate"）· Google Research 博客 — research.google
• GPTQ — 逐列量化误差补偿（Frantar et al., ICLR 2023）：arXiv: 2210.17323
• QuIP# — 整数码字量化（Tseng et al., ICML 2024）：arXiv: 2402.04396
• Lloyd–Max 量化器：S. Lloyd, "Least squares quantization in PCM", IEEE Trans. Information Theory, 28(2), 1982（原始版本 — 1957）— IEEE Xplore; J. Max, "Quantizing for minimum distortion", IRE Trans. Information Theory, 6(1), 1960 — Semantic Scholar
• QJL 与 Johnson–Lindenstrauss 引理：QJL — TurboQuant 的一部分（arXiv: 2504.19874）；W. Johnson, J. Lindenstrauss, "Extensions of Lipschitz mappings into a Hilbert space", Contemp. Math., 26, 1984 — Semantic Scholar
• 随机化 SVD：N. Halko, P.-G. Martinsson, J. A. Tropp, "Finding structure with randomness: stochastic algorithms for decomposing matrices", SIAM Review, 2011 — arXiv: 0909.4061
• TDA（拓扑数据分析）：giotto-tda — arXiv: 2004.02551（JMLR 2021）；GUDHI — gudhi.inria.fr；经典文献（无链接）：Edelsbrunner, Letscher, Zomorodian, "A persistent topological approach to topology-based data analysis", 2002；G. Carlsson, "Topology and data", Bull. AMS, 2009.

B. 模型与数据（实验中使用的）

• SmolLM-135M — Hugging Face 博客，2024：huggingface.co/blog/smollm
• Qwen2.5-0.5B：arXiv: 2412.15115
• TinyLlama-1.1B：arXiv: 2401.02385
• WikiText（校准与 PPL）：S. Merity et al., "Pointer Sentinel Mixture Models" — arXiv: 1609.07843
• GPTQModel（用于 GPTQ 基线的库）：github.com/ModelCloud/GPTQModel
• 作者关于嵌入空间几何的原始文章（锥体假设） — 博客：[插入链接]

C. 补充文献（相关方法）

• AWQ — 激活感知权重量化：arXiv: 2306.00978
• ASVD：arXiv: 2312.05821
• SVD-LLM — 截断感知白化（基于 XᵀX 的 Cholesky）：arXiv: 2403.07378
• LQER — low-rank error correction（delta 校正的"镜像孪生"）：arXiv: 2402.02446
• Hoare 逻辑中的类比定理 — 形式化迁移保证，作为框架讨论过（度量 D_l）：已发表文章, Nature Scientific Reports

P.S. 所有运行都是可复现的：相等的比特预算 4.29，关键配置至少用三个种子测量（SmolLM 和 TinyLlama；Qwen — 初步的单次运行，已在表中标注），停止判据在实验之前宣布。诚实地获得的负面结果 — 也是结果。