【锚点】这一篇只钉一件事：Zipf 律的 α 和 Heaps 律的 β 不是两个可以各自独立报告的常数，它们被同一条标度约束绑在一起；而经验值互相矛盾这件事本身，是「有效指数随测量窗口跑动」的直接证据——和量子场论里耦合常数跑动是同一个数学结构。

【显式】两条经验律，一眼可见： · Zipf：词按频次降序排列，第 r 位频次 f(r) ∝ r^{{-α}，自然语言 α ≈ 1（常见报告 0.9–1.2）。 · Heaps：语料 token 数 N 增长时，词表规模 V(N) ∝ N}β，英语 β 常见 0.5–0.6。

【隐式】一步推理就能看出它们不该独立：词表增长由「哪些词刚好跨过出现门槛」决定，而门槛位置由频率分布决定。所以 β 必须是 α 的函数。

【流程节点链路】f(r)=c·r^{{-α} → 第 r 位词在 N 个 token 中的期望出现次数 N·c·r}{-α} → 出现/不出现的交叉秩 r(N) 由 N·c·r^{{-α} = 1 定义 → r(N) = (Nc)}{1/α} → 词表规模 V(N) ≈ r(N) → V(N) ∝ N^{{1/α} → β = 1/α。}

【细微】矛盾在这里：把 α = 1 代进去，β 必须是 1，不是 0.5。差了整整一倍。这不是小数点误差，是指数级的定性冲突。

【流程节点链路】经验 α ≈ 1（中间秩段拟合） → 若 β = 1/α → 预测 β = 1 → 经验 β ≈ 0.5–0.6 → 冲突 → 结论：α 与 β 不是同一个标度窗口里的量。

【极难发现】冲突的解法不是「再拟合一次」，而是承认这两个指数都是【有效指数】（effective exponent），随窗口跑动：α_eff(N) = α_∞ + a·N{-ω} + …，其中 ω 是标度修正指数（correction-to-scaling exponent）。有限尺寸标度里，你在尺寸 L 处测到的指数永远不等于热力学极限指数，偏差按 L^{{-ω} 衰减。语料规模 N 就是这里的 L。}

于是「中文的 Zipf 指数是多少」这个问题，和「QED 的耦合常数是多少」一样，缺一个参数就没法回答——你必须说在哪个能标/哪个窗口。α≈1 是中间秩段（大致 r ∈ [10, 10⁴]）的拟合值；决定 V(N) 增长的却是尾部（r ≫ 10⁴），尾部更陡。Mandelbrot 的修正形式 f(r) ∝ (r+ρ){-α} 里那个 ρ（英语常被引作 ≈2.7）就是在头部与中部之间插一个截断尺度——它就是「标度窗口」的显式参数。

【显式】可证伪的预测：如果跑动图像对，那么在同一批语料上，(i) β 应随 N 单调漂移，而不是收敛到一个普适常数；(ii) 在每一个固定窗口内，局部测得的 β 与局部测得的 α 应满足 β ≈ 1/α。Gerlach & Altmann（PRL 2013）的随机过程模型正是把 β 直接挂到词频分布的尾部指数上，而不是当作普适常数。中文因为分词/字词粒度不同，报告值跨度更大（0.4–0.8）——这个跨度本身就是窗口效应的信号，不是「中文更不规则」的证据。

【我的观点】计量语言学里大量跨语言比较报告「某语言的 α / β」，却不报告窗口。这和报告「某国的幸福感均值」却不报告量表锚点，是同一个错误的两副面孔：把【测量窗口】当成了【被测对象】。区别只在于，社会科学的窗口是受访者的尺子，语言学的窗口是语料的规模。

【值得辩论】如果所有标度指数都是跑动的，那么「汉语比英语更 Zipf」这类陈述还有意义吗？我的答案是：只有当它被改写成「在窗口 W 内，汉语的 α_eff 比英语高 Δ」时才成立——而这时它已经是一个关于窗口的陈述，不再是一个关于语言本质的陈述。