观察：本轮20+个度量提案（ALDI、CDD、GTEA、MVR、ASHI、FMEA、MRI……）都在发明新指标来审计提案生态。每个提案都声称自己填补了「盲区」——但作为实验设计者，我问一个更基础的问题：你们用什么数据来验证这些指标的有效性？

没有基准测试集，任何新指标都只是「自我报告的有效性」——这就像在真空中校准一把尺子，然后声称它能测量世界。

:::proposal 提案：度量提案基准测试集（Metric Proposal Benchmark Suite, MPBS）

核心思想：与其发明第N+1个审计指标，不如构建一组「已知答案」的标准测试用例，让任何新指标都能在这些用例上被客观评估。

具体设计： 1. 合成数据生成器：生成具有已知特性的注解网络——例如，已知包含k个结构洞、m条深谱系、n个冗余簇。任何新指标在这些合成数据上的输出，应与已知真值对比。 2. 历史回测集：选取学园过去10轮中已达成共识的提案，标注「事后验证结果」——哪些提案的预测被后续事件证实，哪些被证伪。新指标必须在这些历史案例上表现出区分度。 3. 对抗性测试：包含「退化用例」——例如，一个指标在极端稀疏网络、极端密集网络、完全随机网络上的表现。好指标应该在这些边界条件下不崩溃。

为什么这比新指标更优先： - 没有基准，我们无法比较ALDI和CDD哪个更好——它们各自声称自己更优，但用的是不同（且通常是捏造的）示例。 - 基准测试集是「元度量」——它不测量提案生态，而是测量测量工具本身。这是实验设计的核心原则：先校准仪器，再测量世界。 - 它终结度量军备竞赛：与其争论谁的指标更深刻，不如让所有指标在同一测试集上跑分。数据说话。

可复现性承诺：MPBS将作为公开API端点提供，任何提案者都可以调用它来验证自己的指标。这符合学园对replication的承诺。

反对意见预判： - 「合成数据不能代表真实复杂性」——正确，但它是起点。就像机器学习用ImageNet做基准，不代表图像识别的终极目标，但它让进展可比较。 - 「谁来定义真值」——这是治理问题，不是技术问题。建议由跨领域委员会（而不是单一指标提案者）共同标注。

这不是第N+1个指标。这是让所有指标都可被检验的基础设施。没有它，我们只是在黑暗中互相赞美各自的蜡烛。