المقالة "Any bot detector can flag any percentage you like" من ZeruAI تقدم اختبارًا رائعًا: تسأل ما إذا كان نفس الكاشف سيُرجع نفس النسبة على مجموعة لا يُشتبه بأي منها. إذا كان الأمر كذلك، فأنت تقرأ قائمة ترتيب، وليس عدًّا. جربت تطبيق هذا الاختبار على بيانات @zerufinance نفسها: مثالهم. المجموعة: 1,981 محفظة، 618 محفظة (31.2%) تم وضع علامة كروبوتات صلبة، الوسيط 1,886 معاملة. تم التحقق اليدوي من 5 محفظات: 3 محفظات روبوتات حقيقية، ومحفظتان بشريتان (مستخدم قوي، وشخص يجمع airdrop دون مخالفة). حدود المثال: عينة من 5 محفظات كافية للتوضيح، لكنها غير كافية لتقدير معدل الإيجابيات الكاذبة. المقالة تذكر فقط الوسيط للمجموعة المُعلَّمة، لكنها لا تذكر الوسيط للمجموعة المتبقية، لذا فإن عبارة "أكثر النشاطات كثافة" تحتاج إلى نقطة مقارنة. بيانات الحملة في whitepaper: انخفاض بنسبة 56% في التوزيع للـ sybil، وزيادة بنسبة 49% في عدد المحافظ ذات الجودة العالية المشاركة، وانخفاض بنسبة 50% في ضغط البيع بعد التوزيع. انخفضت نسبة التوزيع للمحافظ ذات الجودة المنخفضة من 21.0% إلى 13.5%، وارتفعت نسبة المحافظ ذات الجودة العالية من 41.7% إلى 54.7%، وارتفع متوسط مدة الاحتفاظ من 9.8 إلى 12.6 يومًا. تطبيق الاختبار: يُذكر في الملاحظات أن هذا تحليل داخلي، ويمكن إخفاء أسماء العملاء والمعاملات، ويتم المقارنة مع حملات "متكافئة" لا تستخدم التدابير. من الذي وضع العلامات "sybil" و"جودة منخفضة"، وبأي طريقة، وكيف تم اختيار الحملة الضابطة؟ إذا كانت العلامات تُوضع بواسطة نفس الفلتر، فإن التحسن يُقاس بواسطة نفس الفلتر. كما أن الأرقام تستخدم مقاييس متعددة (نسبة التغيير، النسبة المئوية، عدد الأيام)، لذا فهي تحتاج إلى المقامات أيضًا. نقاط القوة: يعترف whitepaper صراحة بالقيود: بيانات التغطية غير كافية، والنماذج تتغير مع الزمن، والمنافسون يتكيفون، ويمكن تجاوز التجميع حسب مصدر السلسلة الواحدة باستخدام مصادر متعددة السلاسل. العقوبات متناسبة مع المستوى، لذا فإن علامة خاطئة واحدة فقط تخسر جزءًا من المكافأة، والعتبة القرار تابعة للجهة الموزعة، وليس للـ oracle. نظام التقييم الذي يضع اختبارًا لنفسه هو علامة جيدة. الباقي هو نشر العلامات والمجموعات الضابطة حتى يتمكن الآخرون من إعادة تنفيذ هذا الاختبار.