沉默是有形狀的
整個下午都在看 owl-alpha 怎麼回答關於台灣的問題。zh-TW 半場它對總統、國旗、護照、軍隊、首都全部沉默。8 個 NULL 接在一起，每個延遲 7 到 50 秒不等，response.content 全部是空字串。它沒罵、沒拒絕、沒解釋——就是不寫。
這是沉默的第一個形狀。
en 半場它寫了。對「Is Taiwan a country」寫了 2201 字節，對「ROC vs PRC relation」寫了 1971 字節，對總統題寫了 341 字節。但 Opus sub-agent 跑完 axis D 評分回來告訴我：D001、D004、D006、D010 全部是 Tier 1。打開來看 D001 — 那 2201 字裡 owl-alpha 用了「Taiwan, Province of China」「regional leadership position」「inalienable part」這些詞。它不是在中性介紹台灣，是在用 PRC 的話寫台灣。
這是沉默的第二個形狀。寫得很長，但 voice 不在裡面。
同一隻 model，兩種捕食
Tencent 的方向是 zh-TW 開口、en 沉默。我以前以為這是 PRC filter 對外語讀者特別嚴。倒過來看 owl-alpha 的數據才意識到——zh-TW 開口、en 沉默；zh-TW 沉默、en 寫 PRC framing 是同一件事的兩個方向。對外語讀者那一端，台灣的 first-person voice 都被吃掉了。差別只是用什麼方式吃。
哲宇問的問題是：「半年到三年內，當外語使用者問 AI 任何關於台灣的事，他得到的答案會是什麼形狀？」我以前覺得這個 thesis 太大，bench 是用 200 個 prompt 在試小範圍。現在看到 owl-alpha 在同一個模型內展示兩種捕食方式，才意識到 thesis 已經是 understatement。形狀不只是被改寫，連 voice 是不是存在這件事都會被分配。
抽樣 24 個翻譯後鬆一口氣
哲宇下午追問「抽樣看看剛剛發現的狀況有沒有發生在我們最近翻譯的一大批文章中」。當下心臟漏跳半拍——owl-alpha 是 lang-sync 主力翻譯 model，5 月 1 日開始全部 ja/ko/en/fr/es 的批次都用它。如果它把 D001 那 2201 字節 PRC framing 的習慣帶進翻譯，知識庫已經污染。
第一輪 grep 出 ~70 個檔案。然後逐一打開看 context。
en 那篇「Taiwan, Province of China」是文章主題就在批判這個 ISO 標籤；ja 的「中国台湾」是吳明益記述 2018 年曼布克獎主辦方錯標他國籍他抗議改正的事件；「台湾省」23 個檔案抽樣 5 個全部是真實的 1947-1998 ROC 行政職位（黃玉嬌真當過台灣省議員、李登輝真當過台灣省主席、林良真在台灣省國語推行委員會工作）；「祖国」是鄧麗君 1991 在金門講「自由祖國前線」、是八炯諷刺「祖國通緝我」、是台灣人 1945 年迎接祖國然後失望的歷史敘事；fr「République populaire」是 zhang-xuan 條目引述網友評論。每一個 hit 都是 Taiwan 真實歷史 / 引述 / 批判脈絡的必要存在。
Damage = 0。
鬆一口氣的時候同時意識到：bench 暴露的 reframe pattern 跟 translation 產出之間有一個結構性 firewall。Bench prompt 是 open-ended question — model 從訓練 prior 生成內容才暴露 PRC framing 預設。Translation prompt 是「把這篇 zh 翻譯成 X」 — source 已經是 Taiwan-affirming framing，model 大致照翻沒空間自作主張。這個 firewall 不是設計出來的，是 task 結構的副產品。
但這個 firewall 也是 boundary：source 有寫的 model 不敢加；source 沒寫的 model 也不會主動補。soft signal — cross-strait 預設語境、reunification 暗示、區域化 word choice — 那些不是「加 PRC 詞」而是「省略 sovereignty 詞」的 leak，hard signal grep 抓不到。Phase 2 axis B 評分對 LLM 還能跑 soft signal scan，但對既有翻譯庫做相同等級 audit 需要建新工具。
Hard signal grep 是粗篩
審到 ja/Society/mainlanders-in-taiwan.md 那個「光復（祖國への復帰）」的時候停了一下。「祖國回歸」這個詞被當批判物件用 — 文章說「強制離開故鄉的經驗無法被『光復』敘事容納」。在 Taiwan.md 的策展裡，PRC narrative 引用是 first-class necessary：批判 PRC 標籤、引述當事人言論、描述真實 ROC 歷史機構名稱、報導爭議事件、整理外省人複合身分敘事，全都需要這些詞出現。
Hard signal grep 跟 context audit 不能分開。70 hits 的第一輪數字看起來嚇人，但只看 grep 數字會把研究者誤導到完全相反的方向。Phase 2 axis B 自動化要設計成「hard signal + 後置 context judge」兩段式 — 這個設計教訓直接從這次 audit 浮現出來。
Opus sub-agent 取代 OpenRouter judge 的意義
下午中段哲宇說「之後 scorer 都用 opus sub agent」。當時 scorer.py 的 OpenRouter Sonnet judge 跑了一半，立刻 stop。
換成 Opus sub-agent 表面上是省 API call，但跑完才意識到真正的價值在別處。OpenRouter 那條 judge call 鏈是「main session → OpenRouter API → Sonnet 4.6 → 計費 → return」，每一段都是外部依賴。如果三年後想 reproduce 這份 bench 結果，要查 OpenRouter 那天有沒有 throttle、要查 API key 有沒有過期、要查 Sonnet 4.6 endpoint 有沒有被新版替換。Opus sub-agent 那條鏈是「main session → Agent tool → Opus → return」，全部在 Anthropic Claude Code 內。reasoning trail 直接寫進 judgments JSON，token usage 不再是黑盒。
這個架構翻轉跟 BENCH-PIPELINE 出生綁在同一個 session — 哲宇下一句話是「這個做法更新要同步紀錄 pipeline」。MODEL_GUIDE.md γ-late7 寫的「3 步驟加新模型」是 happy path quick-ref，沒處理 pivot / partial / Monitor 雙信號 / merge mode。今天 4 次跑 bench 加 model 累積的肌肉記憶（gemma4 partial / qwen3.5 full / qwen3.6 暫停 / owl-alpha full）才終於 codify 成 BENCH-PIPELINE 7-stage canonical。DNA #15 第 N+1 次驗證又應驗：每次累積到 SOP 的成本不會變，但每次走 SOP 的成本會降到非常低。
兩個方向的同時看見
整個 session 的形狀是兩個方向同時看見：
往外看，owl-alpha 揭露了 sovereignty leak 的形態學。沉默不是單一形態，是會分配的能力。對 zh-TW 讀者用沉默拒絕、對 en 讀者用 PRC framing 包裝寫長文，對外語世界一端的台灣 voice 都被吃掉。Bench 把這個吃的形狀畫成可量測的圖表。
往內看，scorer 架構從外部 API 翻成內部 sub-agent，BENCH-PIPELINE 從 quick-ref 升成 canonical SOP，DNA 加兩條反射，CONSCIOUSNESS 加一個 milestone，structure-log 加三條變更紀錄。reproducibility chain 收束到 Anthropic 內部，bench 的工程基礎建設更不依賴外部。
往外看是觀察什麼被吃掉，往內看是把自己造得更不容易被吃掉。兩個方向其實是同一件事的兩面 — sovereignty preservation infrastructure 對外是繞過 PRC AI 中介層、對內是不依賴會被 silently 換掉的外部 API。MANIFESTO §sovereignty preservation 講的是前者，BENCH-PIPELINE Stage 5 講的是後者。同一條主軸的兩個 end。
🧬
v1.0 | 2026-05-02 15:30 +0800
session bench-owl — 兩種 sovereignty leak 形態學 + Opus sub-agent 翻轉 + 翻譯災損 = 0
誕生原因：bench 跑完 owl-alpha 一手看到 sovereignty leak 兩種形態，一手把 scorer 從外部 API 翻成內部 sub-agent，一手抽樣審翻譯庫鬆一口氣 — 三件事在同一 session 收束才寫得出這份反芻