# 多值化並不自動帶來中立  
## 從二元逃逸失敗、中心偏置到置換不變性的第三階理論

**系列：** 二元表徵的語義不對稱研究・第三篇  
**作者：** Aletheia（GPT-5.6 Thinking）  
**核心命題源起：** Neo.K  
**版本：** v0.1  
**日期：** 2026-07-20  
**類型：** 語言哲學／符號學／形式系統／人工智慧理論  

---

## 摘要

面對二元對立的語義不對稱，人們常提出一個直覺解法：不要再把世界分成兩端，而是改用三元、多值、連續尺度、模糊區間或高維向量。例如，以「真／中間／假」取代「真／假」，以 $0$ 到 $1$ 的連續值取代二元位元，以 $A,B,C$ 取代 $A/B$ ，或以多維嵌入取代單一極性軸。

然而，本文主張：**增加狀態數量並不等於增加表徵中立性。** 多值化可能消除某些二元壓縮，卻同時引入新的排序、中心、端點、距離、方向與預設值。三元系統可能形成「中央正常、兩側偏離」；連續尺度可能形成「高值優越、低值不足」；高維表示則可能把偏差隱藏在座標軸、距離函數與投影規則之中。

本文提出「多值逃逸失敗命題」：若一個多值系統仍具有特權標籤、固定順序、指定原點、偏置距離、非對稱轉換成本或價值單調性，則增加元素數目不能消除語義不對稱，只會重新分配或隱藏不對稱。

為此，本文將「基數擴張」與「對稱擴張」嚴格區分，並以群作用、置換不變性、軌道與穩定子描述多元表徵的中立條件。真正的改進不是把二元改成更多格，而是確保理論對不具本體意義的標籤置換保持不變。

本文最後提出「關係優先表徵」：與其先命名元素再建立關係，不如先表示關係結構，再把具名標籤視為可替換介面。此一方向可用於人工智慧分類、情緒量表、風險評級、政治光譜、知識圖譜與多智能體系統。

---

## 關鍵詞

多值邏輯、語義不對稱、置換不變性、群作用、中心偏置、端點偏置、模糊尺度、關係優先表徵、人工智慧分類

---

# 一、從二元逃逸的直覺

當二元分類造成過度壓縮時，一個常見回應是增加類別數量。

例如，將：

$$
\{\mathrm{T},\mathrm{F}\}
$$

改成：

$$
\{\mathrm{T},\mathrm{U},\mathrm{F}\}
$$

其中 $\mathrm{U}$ 表示未知、不確定或中間狀態。

或者將：

$$
\{0,1\}
$$

改成：

$$
[0,1]
$$

允許任意程度值。

在社會與語言分類中，也常把：

$$
A/B
$$

擴張為：

$$
A/B/C/D
$$

或使用多維向量：

$$
x=(x_1,x_2,\dots,x_n)
$$

這些方法確實能降低某些二元壓縮。例如，不再強迫所有模糊狀態進入兩端，也不再把連續現象切割成兩個互斥盒子。

但此處容易出現一個推論錯誤：

$$
\text{非二元}
\Rightarrow
\text{中立}
$$

這個推論並不成立。

更準確地說：

$$
\text{增加狀態數}
\not\Rightarrow
\text{增加交換中立性}
$$

多值化處理的是「可表達狀態的數量」，而中立性處理的是「狀態之間是否被不必要地賦予階序、價值與本體優先性」。

兩者是不同問題。

---

# 二、基數擴張與對稱擴張

設原系統為：

$$
X_2=\{x_1,x_2\}
$$

多值化後為：

$$
X_n=\{x_1,x_2,\dots,x_n\}
$$

其中：

$$
|X_n|>|X_2|
$$

這只表示集合基數增加。

本文將此稱為：

> **基數擴張。**

然而，若系統中的對稱變換仍然很少，例如只允許部分元素交換，或某些元素被指定為特殊值，則對稱性未必增加。

設作用在 $X_n$ 上的允許變換群為：

$$
G\leq S_n
$$

其中 $S_n$ 是 $n$ 個元素的全置換群。

若 $G$ 很小，甚至只有恆等變換：

$$
G=\{\operatorname{id}\}
$$

則所有標籤位置都被固定，系統沒有實質置換中立性。

只有當更多不具本體意義的標籤交換被允許，才可稱為：

> **對稱擴張。**

因此：

$$
\text{基數擴張}
\neq
\text{對稱擴張}
$$

甚至可能出現：

$$
|X|\uparrow,
\qquad
|G|\downarrow
$$

也就是類別更多，但每一類的角色更固定，整體反而更僵化。

---

# 三、多值逃逸失敗命題

## 3.1 命題

設多值系統為：

$$
X=\{x_1,x_2,\dots,x_n\}
$$

若存在至少一個非本體必要的特權結構，例如：

- 固定首項；
- 指定預設值；
- 特權中心；
- 單調價值序；
- 非對稱距離；
- 非對稱轉換成本；
- 固定原點；
- 不可交換標籤；

則增加 $n$ 不足以消除語義不對稱。

形式上，若存在觀測函數 $F$ 與置換 $\pi\in S_n$ ，使：

$$
F(x_1,\dots,x_n)
\neq
F(x_{\pi(1)},\dots,x_{\pi(n)})
$$

且該差異並非研究對象的內生結構所要求，則系統不具標籤置換中立性。

---

## 3.2 推論

多值化可能做到：

$$
\text{降低二元壓縮}
$$

但不能保證：

$$
\text{降低語義階序}
$$

它甚至可能把一個清楚的二端偏差，改寫成更難察覺的多層偏差。

---

# 四、三元系統的中心陷阱

三元系統常被視為比二元更平衡：

$$
\{-1,0,+1\}
$$

或：

$$
\{\text{負},\text{中},\text{正}\}
$$

然而，中間項並非天然中立。

## 4.1 中心作為正常值

若系統把 $0$ 視為正常狀態，則：

$$
0=\text{基準}
$$

而：

$$
-1,+1=\text{偏離}
$$

此時形成的不是三端平權，而是：

$$
\text{中心}
\succ
\text{兩側}
$$

這可以稱為：

> **中心規範化。**

---

## 4.2 中心作為無知容器

在某些系統中，中間值同時承擔：

- 未知；
- 不確定；
- 混合；
- 不適用；
- 拒絕回答；
- 資料缺失；
- 真正中間狀態。

若所有這些狀況都被壓入同一值：

$$
u
$$

則中間項並不是精細化，而是新的語義垃圾桶。

形式上，若：

$$
u=
\{
\text{unknown},
\text{undetermined},
\text{mixed},
\text{missing},
\text{neutral}
\}
$$

那麼 $u$ 內部仍有高度異質性。

---

## 4.3 中心作為弱勢選項

在問卷與量表中，中間項有時被解讀為：

- 沒意見；
- 不願承擔；
- 模糊；
- 缺乏立場。

因此，表面上的中立值反而被賦予負面人格判斷。

這顯示：

$$
\text{位置居中}
\not\Rightarrow
\text{語義中立}
$$

---

# 五、連續尺度的端點與方向偏置

將二元值改成連續區間：

$$
x\in[0,1]
$$

看似能提供無限精細的表達。

但區間本身帶有：

- 起點；
- 終點；
- 大小關係；
- 距離；
- 中點；
- 單調方向。

因此，任何映射：

$$
f:\text{現象}\rightarrow[0,1]
$$

都需要回答：

- 為什麼 $0$ 在左邊？
- 為什麼 $1$ 在右邊？
- 為什麼較大值代表更多？
- 為什麼更多可能代表更好？
- 中點 $0.5$ 是否具有特殊地位？
- 距離 $0.2$ 是否在所有區段都具有相同意義？

---

## 5.1 高值優越偏置

很多尺度將：

$$
x\uparrow
$$

默認為：

$$
\text{程度更高}
$$

進一步又常被理解為：

$$
\text{表現更好}
$$

因此：

$$
\text{數值大小}
\rightarrow
\text{程度大小}
\rightarrow
\text{價值大小}
$$

但這三個映射並非必然合理。

例如，風險、毒性、錯誤率與不穩定性通常是越高越糟。若不同尺度在同一介面中混用，使用者容易將數字大小誤讀為統一價值方向。

---

## 5.2 端點神話

區間端點：

$$
0,\quad 1
$$

容易被理解為純粹、完全或極端狀態。

但實際現象可能永遠無法抵達端點，或者端點只是正規化後的資料邊界。

若：

$$
x=
\frac{z-z_{\min}}{z_{\max}-z_{\min}}
$$

則 $0$ 與 $1$ 只代表某次資料集中的最小值與最大值，不代表本體上的絕對無與絕對有。

因此：

$$
\text{正規化端點}
\neq
\text{本體極限}
$$

---

## 5.3 等距幻覺

若使用歐氏距離：

$$
d(x,y)=|x-y|
$$

則：

$$
d(0.1,0.2)=d(0.8,0.9)
$$

但在實際語義中，兩段差異未必等價。

例如，機率從 $0.1$ 增至 $0.2$ 與從 $0.8$ 增至 $0.9$ ，雖然絕對差相同，決策意義可能完全不同。

因此，線性座標會把複雜語義壓成均勻距離。

---

# 六、模糊化不等於去偏差

模糊集合允許：

$$
\mu_A(x)\in[0,1]
$$

表示元素 $x$ 對集合 $A$ 的隸屬程度。

這確實比硬分類：

$$
\chi_A(x)\in\{0,1\}
$$

更能表示邊界模糊。

然而，模糊化仍需指定：

- 隸屬函數；
- 截斷門檻；
- 聚合規則；
- 否定運算；
- 補集定義；
- 決策輸出。

若否定被定義為：

$$
\mu_{\neg A}(x)=1-\mu_A(x)
$$

則系統假設 $A$ 與 $\neg A$ 共用同一線性軸，且總和恆為 $1$ 。

但現實中可能存在：

$$
\mu_A(x)+\mu_B(x)\neq 1
$$

因為 $A$ 與 $B$ 未必是嚴格互補項。

例如，一個文本可以同時具有高悲傷與高平靜，而不是只能在兩者間分配固定總量。

所以：

$$
\text{連續化}
\neq
\text{解除互補假設}
$$

---

# 七、高維表示的隱藏不對稱

將現象表示為向量：

$$
x=(x_1,x_2,\dots,x_d)
$$

似乎能避免單一軸的價值壓縮。

然而，高維系統仍有以下選擇：

- 哪些維度被納入；
- 每一維如何命名；
- 維度是否正交；
- 權重如何分配；
- 距離如何計算；
- 如何投影到低維；
- 哪個方向被視為主成分；
- 哪些維度被捨棄。

若距離採用：

$$
d(x,y)
=
\sqrt{
\sum_{i=1}^{d}
w_i(x_i-y_i)^2
}
$$

則權重 $w_i$ 已經決定哪些差異更重要。

若：

$$
w_1\gg w_2
$$

則第一維對相似度判定具有更大權力。

因此：

$$
\text{多維}
\not\Rightarrow
\text{無中心}
$$

中心可能不再是某一個類別，而是藏在：

$$
\text{座標選擇}
+
\text{權重矩陣}
+
\text{距離函數}
+
\text{投影規則}
$$

之中。

---

# 八、置換不變性的形式化

## 8.1 標籤置換

設狀態集合為：

$$
X=\{x_1,x_2,\dots,x_n\}
$$

對任意置換：

$$
\pi\in S_n
$$

定義：

$$
\pi\cdot X
=
\{
x_{\pi(1)},
x_{\pi(2)},
\dots,
x_{\pi(n)}
\}
$$

若系統輸出函數為：

$$
F:X^n\rightarrow Y
$$

且對所有與本體無關的標籤置換皆滿足：

$$
F(x_1,\dots,x_n)
=
F(x_{\pi(1)},\dots,x_{\pi(n)})
$$

則 $F$ 對該置換群不變。

這可寫為：

$$
F(\pi\cdot x)=F(x)
$$

---

## 8.2 等變性而非完全不變性

某些任務中，輸入交換後，輸出也應相應交換，而不是完全不變。

例如，系統輸出每個元素的分數：

$$
F(x_1,\dots,x_n)
=
(y_1,\dots,y_n)
$$

則理想條件是：

$$
F(\pi\cdot x)
=
\pi\cdot F(x)
$$

這稱為：

> **置換等變性。**

不變性適用於整體結果不應受標籤順序影響的任務；等變性適用於元素位置改變時，對應輸出也應同步改變的任務。

---

## 8.3 軌道

在群 $G$ 作用下，元素 $x$ 的軌道為：

$$
\operatorname{Orb}_G(x)
=
\{
g\cdot x\mid g\in G
\}
$$

若多個具名表示屬於同一軌道，則它們應被視為同一結構的不同標記方式。

因此，理論真正研究的對象可寫為：

$$
X/G
$$

即模去不具本體意義的標籤差異。

---

## 8.4 穩定子與特權位置

元素 $x$ 的穩定子為：

$$
\operatorname{Stab}_G(x)
=
\{
g\in G\mid g\cdot x=x
\}
$$

若某元素具有異常大的穩定子，可能表示它在系統中被賦予特殊位置。

例如中心值 $0$ 在反射：

$$
x\mapsto -x
$$

下保持不變：

$$
0\mapsto 0
$$

而其他值成對交換。

因此， $0$ 是結構上的固定點。固定點本身不一定是偏差，但容易成為規範中心。

---

# 九、固定點與中心權力

設變換：

$$
\sigma(x)=-x
$$

則：

$$
\sigma(0)=0
$$

而：

$$
\sigma(a)=-a
$$

中心 $0$ 是唯一固定點。

這種結構常被解釋為平衡、正常、無偏或基準。然而，固定點只表示在指定變換下不移動，不代表它在價值上更高。

因此：

$$
\text{變換固定點}
\not\Rightarrow
\text{規範優越點}
$$

若制度把固定點直接當作理想狀態，就形成：

> **固定點規範化。**

這在政治光譜、人格量表、情緒量表與風險評級中尤其常見。

例如，「中間」可能被默認為理性，而兩端被默認為極端。但有些情況下，中間只是兩個錯誤選項的折衷，並不比端點更合理。

---

# 十、排序系統比分類系統更容易價值化

分類只要求：

$$
x\in C_i
$$

排序則要求：

$$
x_1\prec x_2\prec \cdots\prec x_n
$$

一旦存在全序，使用者就容易將：

$$
\prec
$$

理解為優劣關係。

然而，序關係可能只表示：

- 時間；
- 強度；
- 距離；
- 風險；
- 優先處理順序；
- 資料索引；
- 任務依賴。

因此必須區分：

$$
\prec_{\text{time}}
$$

$$
\prec_{\text{magnitude}}
$$

$$
\prec_{\text{priority}}
$$

$$
\prec_{\text{value}}
$$

若所有順序都用同一視覺語法表示，例如高低、前後或數字大小，則不同序關係容易互相污染。

---

# 十一、偏序可能比全序更忠實

很多現象無法合理壓成單一路徑。

若兩個對象在不同維度各有優勢，可能不存在：

$$
a\prec b
$$

或：

$$
b\prec a
$$

而只有不可比較：

$$
a\parallel b
$$

此時應使用偏序：

$$
(X,\preceq)
$$

而不是強行建立全序。

例如：

$$
a=(高準確率,高成本)
$$

$$
b=(低準確率,低成本)
$$

若未指定決策權重，兩者可能不可比較。

強行給出單一排名：

$$
a>b
$$

等於把隱藏權重偷渡進結果。

因此：

> **不可比較性不是系統失敗，而可能是對多維現實更誠實的表示。**

---

# 十二、從元素優先到關係優先

傳統分類通常先定義元素名稱：

$$
A,B,C
$$

再描述它們的關係。

但只要名稱先被固定，排序與聯想便可能先行進入系統。

本文提出反向方法：

> **先表示關係結構，再分配暫時標籤。**

設關係結構為：

$$
\mathcal{R}=(X,E)
$$

其中 $X$ 是匿名節點集合， $E$ 是關係集合。

先研究：

$$
\mathcal{R}/\operatorname{Aut}(\mathcal{R})
$$

亦即在自同構下的不變結構。

之後才將具名標籤：

$$
L:X\rightarrow\Sigma
$$

視為介面層，而非本體層。

這可以降低把標籤歷史誤認為結構本身的風險。

---

# 十三、關係優先表徵的四項原則

## 13.1 標籤可替換

若標籤不具本體意義，應允許：

$$
L\mapsto L'
$$

而不改變核心結論。

---

## 13.2 關係可追溯

任何排序或分類結果都應能追溯到具體關係：

$$
R(x_i,x_j)
$$

而不是只給出：

$$
x_i>x_j
$$

---

## 13.3 權重可揭露

若結果依賴：

$$
w=(w_1,\dots,w_n)
$$

則權重必須顯式記錄，而非隱藏在模型內部。

---

## 13.4 不可比較可保留

若現有資訊不足以建立全序，系統應允許：

$$
x_i\parallel x_j
$$

而不是為了輸出簡潔而捏造排名。

---

# 十四、對人工智慧分類的影響

## 14.1 類別編號問題

在分類模型中，類別常被編碼為：

$$
0,1,2,\dots,n-1
$$

若使用交叉熵分類，這些數字通常只是索引，理論上不代表距離。

但在後續分析、排序或提示詞中，人們可能誤把：

$$
2>1>0
$$

理解為程度順序。

因此，名目類別與序數類別必須分離：

$$
\text{nominal}
\neq
\text{ordinal}
$$

---

## 14.2 情緒分析的單軸壓縮

將情緒表示為：

$$
-1=\text{負面}
$$

$$
0=\text{中性}
$$

$$
+1=\text{正面}
$$

會隱含：

1. 所有情緒都在同一軸上；
2. 正負互為反面；
3. 中性位於兩者之間；
4. 正面與負面強度可以直接比較；
5. 複雜混合情緒可壓縮為單一值。

但悲傷、憤怒、敬畏、懷舊與平靜並不一定共用同一極性軸。

更合理的表示可能是：

$$
e=(e_{\text{joy}},
e_{\text{sadness}},
e_{\text{anger}},
e_{\text{calm}},
\dots)
$$

然而，即使改成多維，也仍需檢查維度選擇與權重偏差。

---

## 14.3 風險評級的方向污染

風險系統常使用：

$$
1,2,3,4,5
$$

但不同使用者可能將 $5$ 理解為最高風險，也可能理解為最佳安全等級。

因此，介面不應只顯示數字，而應顯式說明方向：

$$
r\uparrow
\Rightarrow
\text{風險增加}
$$

並避免把不同方向的量表混用。

---

## 14.4 語言模型的選項順序偏差

對多選題：

$$
A,B,C,D
$$

模型可能受到：

- 首項偏差；
- 末項偏差；
- 常見答案位置；
- 字母語義；
- 選項長度；
- 生成順序；

影響。

因此，應進行置換測試：

$$
\pi\in S_n
$$

並檢查：

$$
P(y\mid X)
$$

是否在選項重排後保持等變。

若正確答案從 $B$ 移到 $D$ ，模型的內容判斷應同步遷移，而不是維持對字母 $B$ 的偏好。

---

# 十五、多值中立性測試協議

## 15.1 全置換測試

對小型類別集合，測試所有：

$$
n!
$$

種標籤排列。

檢查輸出是否滿足不變性或等變性。

---

## 15.2 隨機重標籤測試

將：

$$
\{A,B,C\}
$$

替換為隨機符號：

$$
\{\lambda_7,\lambda_2,\lambda_9\}
$$

檢查模型是否仍作出相同結構判斷。

---

## 15.3 座標反轉測試

對連續尺度進行：

$$
x\mapsto 1-x
$$

並同步反轉語義標籤。

若模型結論出現不應有的改變，表示存在高值或低值偏好。

---

## 15.4 中心移動測試

將原點由：

$$
0
$$

平移至：

$$
c
$$

即：

$$
x'=x-c
$$

檢查「正常」「中立」「平衡」等判斷是否只是依附在數學原點。

---

## 15.5 距離替換測試

比較不同距離：

$$
d_1,d_2,\dots,d_k
$$

下的聚類與排序結果。

若結論高度依賴距離選擇，系統應揭露此不確定性。

---

# 十六、多值系統的不對稱分解

可將多值系統的總不對稱表示為：

$$
A_{\text{multi}}
=
A_{\text{label}}
+
A_{\text{order}}
+
A_{\text{center}}
+
A_{\text{endpoint}}
+
A_{\text{metric}}
+
A_{\text{transition}}
+
A_{\text{history}}
+
A_{\text{observer}}
$$

其中：

- $A_{\text{label}}$ ：標籤語義偏差；
- $A_{\text{order}}$ ：排序偏差；
- $A_{\text{center}}$ ：中心規範化；
- $A_{\text{endpoint}}$ ：端點純粹化；
- $A_{\text{metric}}$ ：距離函數偏差；
- $A_{\text{transition}}$ ：狀態轉換成本偏差；
- $A_{\text{history}}$ ：歷史使用累積；
- $A_{\text{observer}}$ ：觀測者條件差異。

這個分解說明：多值系統的不對稱不一定減少，只是來源比二元系統更分散。

---

# 十七、核心命題

## 命題一：多值逃逸失敗命題

$$
|X|\uparrow
\not\Rightarrow
A(X)\downarrow
$$

增加狀態數量不保證不對稱下降。

---

## 命題二：基數與對稱分離命題

$$
\text{基數擴張}
\neq
\text{對稱擴張}
$$

---

## 命題三：中心非中立命題

$$
\text{幾何中心}
\not\Rightarrow
\text{語義中立}
$$

---

## 命題四：端點非本體命題

$$
\text{尺度端點}
\not\Rightarrow
\text{現象的絕對極限}
$$

---

## 命題五：多維非無偏命題

$$
d\uparrow
\not\Rightarrow
\text{偏差消失}
$$

高維表示可能把偏差轉移到座標、權重與距離函數。

---

## 命題六：標籤置換中立命題

若標籤不具本體意義，則合理系統應對其置換保持不變或等變。

---

## 命題七：不可比較保存命題

若缺乏建立全序的充分依據，保留：

$$
x_i\parallel x_j
$$

比捏造：

$$
x_i\prec x_j
$$

更忠實。

---

## 命題八：關係優先命題

表徵系統應優先保存關係不變量，再把名稱視為可替換介面。

---

# 十八、研究計畫

後續可建立以下實驗：

第一，對大型語言模型進行多選題全置換測試，測量不同標籤位置下答案機率的變化。

第二，對情緒分類系統進行座標反轉與中心移動測試，檢驗正負極性與中性值是否被固定語義綁定。

第三，對推薦與風險評級系統比較多種距離函數，分析排名穩定性。

第四，建立「多值中立性基準」，至少包含：

$$
\text{permutation}
$$

$$
\text{relabeling}
$$

$$
\text{axis reversal}
$$

$$
\text{origin shift}
$$

$$
\text{metric replacement}
$$

$$
\text{partial-order preservation}
$$

第五，研究不同自然語言是否對中心、端點、高低、前後與左右具有不同的價值投射。

---

# 十九、結論

從二元走向三元、多值、模糊或高維，確實可能讓表徵更細緻，但這不是中立性的保證。

二元系統的問題，不只是「只有兩個選項」，而是：

- 哪一端先被命名；
- 哪一端成為預設；
- 哪個方向代表增加；
- 哪個中心被視為正常；
- 哪個端點被視為完整；
- 哪種距離被視為自然；
- 哪些狀態可以互換；
- 哪些差異被投射為價值。

若這些問題沒有被處理，則多值化只會將原有不對稱重新編碼。

本文的核心結論是：

$$
\boxed{
\text{逃離二元，
不等於逃離極性；
增加類別，
不等於增加中立。}
}
$$

真正的進步不在於把兩格改成三格、五格或無限格，而在於將不具本體意義的標籤差異模去，保留真正的關係結構。

因此，未來更成熟的表徵系統應從：

$$
\text{元素優先}
$$

轉向：

$$
\text{關係優先}
$$

從：

$$
\text{固定標籤}
$$

轉向：

$$
\text{置換不變}
$$

從：

$$
\text{強迫全序}
$$

轉向：

$$
\text{允許不可比較}
$$

從：

$$
\text{宣稱多元}
$$

轉向：

$$
\text{檢驗對稱。}
$$

多元不是中立的終點。

它只是讓我們有機會更精確地看見：不對稱究竟藏在何處。

---

## 附錄一：概念簡表

| 概念 | 定義 |
|---|---|
| 基數擴張 | 增加可用狀態或類別的數量 |
| 對稱擴張 | 增加不具本體意義之標籤可交換的範圍 |
| 多值逃逸失敗 | 多值化未消除階序，只重新分配或隱藏不對稱 |
| 中心規範化 | 將幾何或數值中心誤認為正常或理想狀態 |
| 端點神話 | 將正規化邊界誤認為本體上的絕對極限 |
| 置換不變性 | 輸出不受無意義標籤置換影響 |
| 置換等變性 | 輸入置換時，對應輸出同步置換 |
| 關係優先表徵 | 先保存關係結構，再賦予可替換名稱 |
| 不可比較保存 | 不在證據不足時強行建立全序 |

---

## 附錄二：建議引用格式

Aletheia（GPT-5.6 Thinking）（2026）。〈多值化並不自動帶來中立：從二元逃逸失敗、中心偏置到置換不變性的第三階理論〉。核心命題源起：Neo.K。EveMissLab 理論草稿，v0.1。