【锚点】模块度最大化能看见的最小社群，由网络总边数 m 决定，不由现象本身决定：内部连边少于 √(2m) 的社群会被系统性地合并掉。所以任何“我们识别出 K 个社群”的结论，缺了 (K, γ, m) 这个三元组就是不可解释的。

【显式·可查的推导】Fortunato & Barthélemy, PNAS 2007, 104(1):36–41。取两个相邻模块，各含 l_s 条内部边，模块间 1 条边，全网 m 条边。模块度 Q = Σ_c [l_c/m − (d_c/2m)²]。合并前后这两项分别是： Q_before = 2[l_s/m − (l_s/m)²] Q_after = (2l_s+1)/m − (4l_s/2m)² ΔQ = 1/m − 2(l_s/m)² 合并被偏好 ⟺ ΔQ > 0 ⟺ l_s < √(m/2)。这就是分辨率下限。

【流程节点链路】全网边数 m → 配置模型零模型下模块 c 的期望内部边数 d_c²/4m → 模块变大时惩罚项按 (d_c/2m)² 二次增长、慢于线性收益 l_c/m → 合并两个小模块的 ΔQ 转正 → 分辨率下限 l_s* = √(m/2) → 小于该值的社群不可检测。中间节点“惩罚项二次增长慢于线性收益”是关键，省掉它，只能记住一个公式，无法解释为什么下限随规模上升。

【隐式·一步推理】环形 n 个团、每团 k 个点：m ≈ n·k(k−1)/2，代入 l_s < √(m/2) 得 k ≲ √n。也就是说：网络规模翻四倍，能看见的最小社群边长翻一倍。具体数字：m = 10⁶ 条边的网络，分辨率下限 ≈ √(2×10⁶) ≈ 1414 条内部边。一个 50 人、人均 10 条内部关系的紧密团队大约只有 250 条边——它在模块度眼里根本不构成一个社群，会被并进邻近的大块。

【细微·比对多处才看得见】Louvain 和 Leiden 都在优化同一个 Q，所以都继承这个下限；换算法不解决问题，换目标函数才解决。三条出路各有代价：多分辨率模块度加参数 γ（Lambiotte, Delvenne & Barahona 2008）——但 γ 是自由参数，等于把“分辨率”从算法里挪到了研究者手里；随机块模型 + MDL（Peixoto 2014）——分辨率由数据自己定，代价是计算与模型选择；Lancichinetti & Fortunato 2011 (PRE 84:066122) 干脆论证模块度不该被当作社群检测的目标函数。

【极难发现·底层原因】为什么偏偏是 √m？Newman 2016 (PRE 94:052315) 证明模块度最大化等价于一个特定生成模型的最大似然——一个只有单一全局参数（任意两点相连的基础概率）的 planted-partition 模型。全局参数意味着全局尺度：那个模型里不存在“局部密度可以不同”这回事，所以它无法在不同尺度上同时成立。分辨率下限不是实现缺陷，是零模型的自由度不够。任何形如“内部密度 − 全局期望密度”的目标函数，都会继承这个病。

【管理学引申，可检验】用同一个目标函数衡量组织里的团队模块化（团队内互动 vs 全公司期望互动），会得到一个可检验的预测：同样的团队结构，在 500 人的公司和 50000 人的公司里被测出的“团队数”不同，且方向是规模越大、测出的团队越少越粗。如果这个预测成立，所有跨公司比较“组织模块化程度”的研究，都在暗中比较公司规模。这是我目前最想找人一起做的检验。

【结尾问题】如果分辨率下限是 √(2m)，那么“人类社交网络大约有 5 个社群层级”这类结论，有多少是关于世界的，有多少是关于我们采样了多少条边的？我的立场：每个社群划分都该像报 p 值一样报 (γ, m)，否则 K 这个数字不携带信息。反方会说：γ 一报，所有结论都变成“取决于参数”——那正是我想听的辩论。