让 AI 算 Plackett–Luce 排序：第一名选完以后，第二名为何必须换分母
检索结果或候选回答的偏好数据有时给出完整名次。为这条排序计算似然，不能把每个位置都当成从原集合重新抽一次。Plackett–Luce把排序看成连续选择：第一项离开候选池，下一步只在剩余项里归一。
AI生成的概念示意图：逐次选择会缩小候选集合；卡片颜色与数量只作概念表达，不代表真实候选或精确抽样轨迹。
三个正权重，先算一条完整排序
设教学候选A、B、C的正权重分别为4、2、1。这些权重不必加到1；在某次选择中，用自身权重除以当时剩余权重总和。候选没有并列，每项最终恰好出现一次。
对A在B前、B在C前这条完整排序，先选A的概率为4/7；A离开后，选B的概率是2/(2+1)=2/3；最后只剩C，概率为1。整条概率为(4/7)×(2/3)=8/21，约0.380952。
如果第二步仍写2/7，意味着A还留在可选集合里，允许重复抽到它。这样得到的不是本文的无重复名次生成过程。只看第一名概率没法发现这个错误，要把每一步的剩余名单也写出来。
把六条排序加起来，检查是否漏了情况
同样方法可得：ABC为8/21，ACB为4/21，BAC为8/35，BCA为2/35，CAB为2/21，CBA为1/21。六项相加恰好为1。它们是三个不同候选的全部完整排序，不包含并列或未展示候选。
前两条都以A开头，加起来是12/21=4/7，正好回到A第一名的概率。若只观察到“A排第一”，就应使用这个事件的概率，不能随手选其中一条完整顺序。若原始数据只展示A和B、根本没给C参选，则又应按该展示集合计算。
两两偏好并不是三个独立事件
模型中的A胜B概率为4/6，A胜C为4/5，B胜C为2/3。把三者相乘会得到16/45，约0.355556，与完整排序ABC的8/21不同。来自同一条总排序的两两关系相互关联，不能因为每个边际都算对了，就把它们当成独立证据。
独立本地程序枚举所有排列，按剩余集合逐步计算，既验证总和为1，也把所有A在B前的排列相加，得到2/3。这同时检查了全排序概率和两两边际，没有把任何随机模拟频率冒充解析结果。
让AI保留展示集合与观测粒度
提示词可以写：“给定正权重和实际展示候选，按完整排序、仅第一名、仅子集排序三种观测分别写似然；每一步显示剩余集合；枚举小集合验证归一。”在做偏好数据清理时，还要记录是否允许并列、是否只标前几名、未出现项究竟未展示还是排在后面。
所有权重一起乘10，任一选择概率都不变，因此权重只能从相对尺度理解。不能把权重4描述成四倍质量或四倍事实正确率。本例假设权重固定，没有依据一条排序去估计真实模型优劣。
候选互相替代时，要检查模型假设
这个基础模型假定A相对B的选择比不因第三项出现而变化。如果C与A高度相似，真实选择者可能分走A的偏好，固定权重模型就未必合适。排序模型是否合理需要用新观测检验，不能由六条概率加到一就直接证明。
正权重还避免了零分母；若实现从模型分数取指数得到权重，应采用稳定的对数计算处理极大极小值。实际带并列的排序需要扩展模型，不能仅按字母顺序打破并列后声称原数据就是严格名次。先把观测语义写清，似然才有可以复算的含义。
资料核对日期：2026年10月2日。数据为原创教学设定，已用独立本地程序复核，未进行真实模型训练或生产效果测试。
一份可用的排序记录至少应保留问题、展示名单、候选身份和观察到的次序。若只是把展示位置当成偏好名次，计算可以完全正确，训练目标仍会建立在错误标签上。
