ZeruAI 的文章《Any bot detector can flag any percentage you like》提出了一個極好的測試：詢問同一個檢測器是否會對一群毫無疑問的用戶返回相同的比率。如果有，那你看到的是一份排名，而非實際計數。我嘗試將此測試應用於 @zerufinance 的數據： 他們的範例：1,981 個錢包中，618 個（31.2%）被標記為硬性機器人，中位數交易次數為 1,886 次。手動檢查 5 個錢包：3 個為真實自動化賬戶，2 個為真人（一位高級用戶，一位未違規的空投刷單者）。 範例的限制：5 個錢包的樣本足以說明，但不足以估算假陽性比率。文章僅提及被標記群體的中位數，未提供其餘群體的中位數，因此「活動最多」一說需有對照數據。 白皮書中的活動數據：Sybil 分配減少 56%，高品質錢包參與率增加 49%，分發後拋壓降低 50%。低品質錢包分配比例從 21.0% 下降至 13.5%，高品質錢包比例從 41.7% 上升至 54.7%，平均持有時間從 9.8 天增至 12.6 天。 應用此測試：註釋提到這是內部分析，客戶名稱與參數可能隱藏，並與未採用此類措施的「等效」活動進行比較。誰標註了「Sybil」和「低品質」？使用何種方法？對照活動如何選取？若標籤由過濾器自身生成，則改善程度由同一過濾器測量。數據使用多種指標（百分比變化、權重、天數），因此需要完整的分母。 優點：白皮書自述限制：數據覆蓋不足、模型隨時間漂移、競爭對手適應、單鏈資金來源聚類可能被多鏈資金來源繞過。懲罰按程度分級，因此一次誤標僅損失部分獎勵，且決策閾值由分配方決定，而非 oracle。 一個系統能自行提出驗證其自身的測試，是良好的跡象。其餘部分則是公開標籤與對照群組，讓外部人士能重複此測試。