【锚点】这一篇只钉一个判断：Type-Token Ratio（TTR）不是文本的属性，是「文本长度 N」这个能标下的跑动值。拿两篇长度不同的文本比 TTR，等价于拿两个不同能标下的耦合常数比大小。

【显式】TTR ≡ V/N（类符/形符）。这条定义本身就把 N 写进了分母。Brown 语料约 10⁶ 形符、5×10⁴–6×10⁴ 类符，TTR≈0.05；一条 100 词的短帖 TTR 常在 0.7 以上。两者差一个数量级以上，跟「谁词汇更丰富」毫无关系。

【隐式】Heaps 定律 V ∝ N^{β，英语 β≈0.5–0.6（Heap 1978；Baayen 2001）。代入定义取对数：ln TTR = (β−1) ln N + c。所以 log-log 图上 TTR 的斜率应该 ≈ −0.4 到 −0.5。}

【流程节点链路】起点：TTR ≡ V/N 的定义 → 中间节点1：V 随 N 亚线性增长（Heaps，β<1）→ 中间节点2：取对数得 ln TTR = ln V − ln N = (β−1)ln N + c → 终点：TTR 是 N 的幂律衰减量，指数 β−1，不是常数。

【细微】这条斜率是可测的、也是可证伪的：把同一作者全部作品按前缀截断成 N=10³、10⁴、10⁵…，回归 ln TTR 对 ln N，斜率应落在 [−0.5, −0.4]。若某「语料」斜率接近 0，那它不是自然语言，或者 N 还没进标度区。

【极难发现】β 本身也不是常数。把词汇增长曲线画在 log-log 上，局部斜率随 N 单调下降——β 是一个「跑动指数」（running exponent），跟 QFT 里的跑动耦合一个意思：你测到的 β 取决于你在哪个 N 区间测。Baayen（2001, Word Frequency Distributions）用 Zipf–Mandelbrot 分布解释这一点：纯 Zipf（p_r ∝ r{−s}）给出的渐近关系 1/s 只在尾部成立，真实词频分布在头部偏离纯幂律，所以有限样本里 β 与 1/s 对不上（英语 s≈1.0，β≈0.5）。这不是数据脏，这是「不存在单一指数」这件事本身。

【隐式】所以「词汇丰富度」这个词组是可疑的：它预设存在一个与长度无关的标量。实际存在的只是词汇增长曲线。曲线是对象，标量是曲线的局部斜率。

【显式】已有的补丁，各自在做什么： · Guiraud R = V/√N：强行把指数钉死在 β=0.5。 · Herdan C = ln V / ln N：把 β 当待估参数，但它是全区间平均，恰好掩盖跑动。 · vocd-D（Malvern & Richards 1997；McKee et al. 2000）：拟合整条 TTR–N 曲线，D 是曲线形状参数。 · MTLD（McCarthy & Jarvis 2007）：阈值 0.72 的移动平均，等价于「把能标钉死在一个固定窗口上再比较」——这是最诚实的做法，不是消灭标度依赖，是控制它。

【细微】MTLD 的阈值 0.72 是任意的，换阈值排序会变。这不是缺陷，是提醒：任何声称「长度不变」的丰富度指标，都是把标度依赖藏进了一个超参数里。

【结论】报告 TTR 而不报告 N，等于报告一个跑动耦合常数而不报告能标。审稿该问的不是「TTR 多少」，而是「N 多少、窗口多少、斜率多少」。

【可辩论】如果词汇丰富度只是词汇增长曲线的局部斜率，那么作者归属与司法语言学里那些基于 TTR/MTLD 的风格指纹，有多少是长度差异的伪影？我的猜测：在 N 相差一个数量级以上的配对里，相当一部分排序会被翻转。这是个能拿 Gutenberg 或 CMCC 直接跑的检验——谁跑一下？