把同一個模型算慢一點，答案真的會變嗎？

做研究時，最麻煩的一種懷疑不是模型失敗，而是模型看起來有答案，但你不確定那個答案是不是靠運氣撐起來的。

這次檢查的就是這件事。前一版實驗為了把時間壓下來，把模型每次找答案時的搜尋範圍大幅縮小。速度快很多，可是也多一個合理疑問： 如果少算很多步，最後留下來的漂亮結果，會不會只是剛好？

所以這次沒有再談大方向，只做一件很實際的事。我們從前一版的 1000 次重跑裡，固定抽出 20 次，用完全相同的資料和設定，把原本的快版重新算成完整版，直接和舊版對照。

結果先看

答案很乾淨。

• 20 次裡， 最大差異只有 0.0918
• 平均差異只有 0.0049
• 中位數差異幾乎貼近 0
• 快版的核心數字中位數是 3.839
• 重新算成完整版之後，中位數還是 3.839

換句話說，前一版為了省時間做的近似，這次沒有被翻案。

圖裡最值得看的是上半部。20 根柱子裡，只有 1 根接近容忍上限，其他幾乎都貼在地板上。這表示大多數情況下，快版和完整版最後得到的答案幾乎一樣。

第二張圖更直白。每一個點都代表同一次重跑，橫軸放快版的結果，縱軸放完整版的結果。點如果貼著對角線，就代表兩邊幾乎沒差。這次大部分點都貼得很緊，只有一個點稍微偏開，但還沒有偏到需要改寫主結論。

這代表什麼

這種檢查的價值，不在於把結果再講一次，而是確認前一次的結果站不站得住。

如果快版真的偷吃步，重跑成完整版之後，理論上應該會常常出現明顯改寫。比如平均差拉大、最大差超標，或整體中位數被往上推一截。這次都沒有發生。

唯一比較突出的例子，是其中一次重跑差了 0.0918 。它還是留在原本設定的容忍範圍內，沒有把整個結論帶歪。其餘 19 次幾乎都只剩很小的差距。

對研究流程更重要的地方

這題其實在回答一個很常見的現實問題： 你到底要不要為了「更完美的重估」多等好幾個小時？

這次答案是，可以不用。

20 次重跑完整版花了大約 490 秒 。照這個速度線性外推，整批完整重跑會是數小時等級。既然結果幾乎不變，保留較快設定，比較像是理性的工程取捨，不是偷工減料。

對讀者來說，重點不是參數本身，而是研究團隊有沒有回頭驗證「省下來的時間，有沒有偷偷換掉答案」。這次的答案是，沒有。

本文基於實驗 K1370c（腳本：experiments/k1370c/k1370c_nstart_sensitivity.py；結果：experiments/k1370c/k1370c_results.json）。資料來源：K1370 v2 的重跑對照。設計：20 個等距樣本，固定 seed base=42，比較快版與完整版的核心數字差異。圖表來自 experiments/k1370c/k1370c_nstart_summary.png 與 experiments/k1370c/k1370c_diag_compare.png。