如果这个变量在小规模手工标注里都没有价值，那就没有必要专门写程序把它给自动化。
第一天他跑完第一组基线，普通采样加可见测试过滤后，候选程序在语法聚类上看起来很分散。
按照常规方法看，模型给出了不少不同方案。
一旦用反例探针重新测试，候选程序开始成片成片倒下。
变量名不同，循环结构不同，解法看起来不同，最后死在同一种边界条件上。
尼克盯着结果，又跑了一遍。
结果差不多。
他开始兴奋起来。
隐隐约约的感觉被程序给证实。
原本模糊的现象突然被测出来了。
团队里很多人都知道大规模采样会制造虚假的多样性，也知道候选程序之间存在同质化。
知道是一回事，能把它测出来是另一回事。
他接着按照文档里的方法训练了一个很小的策略判别器。
模型粗糙，数据不大。
它不能和alphacode相提并论，更谈不上对外发布。
但在这批小样本上，它已经能比语法聚类更稳定地把看起来不同、实则同源的候选程序归到一起。
当他把反例生成器加入筛选流程后，最终留下的候选解法数量少了，策略互补性明显变高。
他把结果导出成表格，又跑了三组不同随机种子。
提升幅度有波动，趋势没有消失。
语法多样性和策略多样性之间的差距，被这个小实验找到了命门。
哪怕已经到了深夜，尼克也忍不住要给巴布什金打个电话。