站务组整理一种观察模型语言行为的方法：把两条输入只改动一个关键条件，检查输出是否随逻辑含义正确变化。否定词尤其适合这种分析，因为“允许”“不允许”“不是不允许”看起来相近，却要求不同判断。这里关注具体语言现象，不以少数例子推断模型整体能力。

先区分否定作用域。“没有要求所有文件加密”不等于“要求所有文件不加密”；“不是每个样本都失败”也不等于“每个样本都成功”。若只根据关键词匹配，模型可能把包含“加密”或“失败”的句子归入同一类，却忽略量词和否定之间的关系。业务规则里这会导致方向完全相反的结论。

设计对照时，应固定实体、任务和输出要求，只改变目标语言结构。若同时换了人名、长度和措辞，就难以判断差异究竟来自否定理解还是其他因素。也要避免正例总是更长、负例总是带某个标点等模板线索，让模型仅凭表面模式就猜到标签。

标签应先由明确规则确定。可以让标注者写出命题和否定范围，再独立核对；对于本身存在歧义的句子，应标为有歧义，而不是强迫模型猜出某个隐藏意图。中文中的双重否定、反问和省略条件尤其需要结合上下文，不宜把语用理解与形式逻辑判断混作同一个标签。

分析结果时，同时看单题正确和成对一致性。一组题中两条都答成同一标签，可能平均分尚可，却说明系统没有响应关键条件；两条输出不同，也可能只是随机波动，需要检查是否沿正确方向变化。自然语言解释可以帮助定位，但解释得流畅并不证明判断过程真的遵守了该规则。

实际应用可以把关键条件改写为结构化规则，并由确定性校验检查，例如允许集合、排除集合及例外条件分别保存。若输入仍有歧义，先询问比贸然执行更合适。测试材料则应逐步加入真实领域措辞，并保留每次失败的最小例子，避免修复一个模板后误以为整个语言现象已经解决。

讨论问题：
1. 业务文本里最常见的否定作用域歧义是什么？
2. 最小对照是否保持了长度、实体与输出格式基本一致？
3. 遇到双重否定时，系统会澄清还是直接给结论？