COGNITION / J-SYSTEM15 SEP 2026
认知 78｜总分会把你要找的那个差别平均掉
一个总分、一个平均数，看起来是把复杂的东西压成一个好比较的数。可它压掉的，常常正是你做决定时最需要的那一个差别。
当一组东西内部差别很大，平均数回答的就不是你的问题。先拆开看里面，再决定信不信那个总数。
COGNITION / 01
一、第一个例子：大模型排行榜
现在每个大模型发布，都会引一个「综合智能指数」排第几。有一篇把这套评测拆得很细的文章，举了一个例子：
在一项考终端操作的编程测试上，两个模型一个得 42%，一个得 13%，差了三倍多；可放进综合指数里，两者只差 1 分。
对一个要挑编程助手的人，这三倍的差距是决定性的；对一个主要做长时间办公任务的人，两者在办公那一项上又几乎一样。同一个「只差 1 分」，对这两个人都没用——一个被骗过了大差别，一个本来就不需要这个总分。
作者自己的建议很朴素：别看总榜第一行，把你关心的那几项单独拿出来看，再看清版本号和日期。
COGNITION / 02
二、第二个例子：增肌药为什么总是失望
这个例子来自一篇医学期刊上的观点文章，讲老年人的肌少症。
几十年来，大家默认「肌肉越多，力气越大」，于是投了大量钱做增肌的药。结果很多药确实把肌肉量加上去了，力气和走路能力却只涨一点，或者时有时无。
文章给的一个解释是：老了没力气，原因不只在肌肉，还在大脑、脊髓、神经和肌肉的连接处。有的人肌肉还在，问题出在神经驱动；有的人神经还行，是肌肉本身不行。可试验只按「肌肉少」或「握力差」把人招进来，等于把不同毛病的人混在一组。药对其中一部分人可能有用，一平均，就成了「效果不稳定」。
COGNITION / 03
三、两件事是同一个结构
一个是软件排行榜，一个是老年医学，表面毫不相干，底下是同一件事：
—组里的东西不一样：十项考试考的是不同能力；一群老人没力气的原因各不相同。—你的问题只关心其中一部分：你要的是编程那一项；药只作用于某一种毛病。—平均数把那一部分稀释了：大差别被其他项拉平；有效的那群人被无效的那群人冲淡。
所以，看到一个平均数，先问三句：
第三句最关键。如果你要的就是整体——比如一个基金经理关心整个组合的回撤——平均数正好是你要的。如果你要的是某一块，总分就只是噪音。
COGNITION / 04
四、反过来也会错
拆开看，也有它自己的坑。
拆得越细，每一块里的样本越少，越容易拆出一个「这一组效果特别好」的假象。挑来挑去，总能挑到一个好看的小组。药物研究里，事后切出来的亚组结论，一向要打折扣，原因就在这里。
所以正确的做法不是「永远不信平均」，而是分组要在看结果之前就定好，理由要来自机制：肌少症按神经还是肌肉分型，是因为先有了机制上的理由；不是试验失败以后，回头找哪一群人看起来有效。
拆开看是为了找到你的问题在哪一块，不是为了在数据里挑一个好看的结论。
COGNITION / 05
五、出现什么，说明这篇错了
—如果把一组东西拆开，各块之间的差别很小，和总体差不多——那平均数就是可信的，这篇说的问题不存在。—如果按机制事先分好组的试验，结果和不分组一样平淡——那肌少症那个解释就站不住，「混在一起被平均掉」只是一种好听的说法。—如果开发者实际挑选模型，跟综合分排名基本一致——那综合分就比这里说的更有用。
COGNITION / 06
六、边界
排行榜的数字取自那篇评测拆解文章所引的当时版本，评测本身更新很快，具体分数很快会变，这里只用它说明结构。肌少症那篇是观点文章，作者自己也说新的分型方法还没有被证实能改善诊断和治疗，这里只借它的推理，不当成医学结论，也不构成任何个人的就医建议。
COGNITION / 07
七、三行复习
—一个平均数，先问它由哪几块拼成、几块之间差多少。—你的决定只关心其中一块时，总分是噪音，去看那一块。—分组要在看结果之前、凭机制定好；事后挑出来的好看小组，打折听。