最下位率を64%→24%に下げ、最上位率の低下は12ptに抑えた

最下位率を 64% → 24%（−40pt）へ大幅に削り、最上位率の低下は 24% → 12%（−12pt）の小幅に抑えた。 差し出した3件に対し、返上した最下位は10件だ（25件中）。

字幕製品でユーザー体験を壊すのは、平均でも最高でもなく、たった一度の最悪だ。だから狙う場所を、天井（最高品質）から床（最悪の一回）へ移した。天井を少し差し出して、床を買った。

平均一致率（89〜96%）は、この改善をまったく捉えない。問題がtailにあるなら、平均はそれを薄めるからだ。天井と床は、別々に動かせる——先に決めるべきは、どちらを動かすかだった。

測り方：難所25件を3構成（圧縮のみ／＋rotation／圧縮前）で訳し、盲検で順位づけ。最下位率／最上位率＝3構成のなかで最下位／最上位になった割合（それぞれ3構成の合計＝100%）。最下位率は大事故の代理指標として使う——最下位に落ちた訳の大半が致命的な崩れであることは、目視で確認している。

自前の小さなモデルを、4分の1に圧縮した（量子化）。速く、安くなった。品質も、平均で見ればほとんど落ちていない。数字の上では、文句のつけようがなかった。

ところが、実際に訳を並べて読むと、時々ぎょっとするものが混じっていた。日本語のセリフが、日本語のまま返ってくる。登場人物の性別が入れ替わる。固有名詞が別物に化ける。頻度は低い。だが、字幕でこれが一度起きると、没入は一瞬で壊れる。

平均は同じなのに、体験はまるで違う。この食い違いを詰めていったら、「品質」という言葉の使い方そのものを、作り直すことになった。製品に効いていたのは、天井（最高品質）ではなく、床（最悪の一回）だった。

平均で見ると、差が消える

まず、何が起きていたか。

強い圧縮（INT4＝重みの数字を4ビットに丸める）をかけたモデルは、当たり外れが激しかった。わざと難しく選んだ25個のセリフ（held-outの難所）を、3つの構成で訳し、上位モデルに盲検で順位づけさせる。以下の数字はすべて、この25件のなかでの相対順位だ（本番全体の発生率ではない）。すると、こうなった。

• 圧縮モデルの最上位率（いちばん良い訳だった割合）：6件／25 ＝ 24%
• 圧縮モデルの最下位率（いちばん悪い訳だった割合）：16件／25 ＝ 64%

最高を出すこともあれば、最悪を出すことも多い。ばらつきが大きい——専門的にはbimodal（二峰性＝良い山と悪い山に割れる）という。当たれば絶品、外すと事故。字幕として、これは使えない。

ところが、この危うさは平均を見ても出てこない。圧縮前と圧縮後で、生成トークンの一致率を測ると、こうだった。

差は、ほぼゼロ。この数字だけ見て「劣化なし」と結論していたら、事故を見逃していた。

なぜ平均が鈍いのか。圧縮の損失は、全体の1割強の”きわどい”判断にだけ集中する（第1回で書いた話だ）。残り9割は圧縮前と同じ答えを返すので、平均一致率はその9割に薄められる。平均は、tail（最悪の側）を希釈してしまう。 効いていたのは、平均に埋もれた1割強のほうだった。

たった一度のechoが、なぜ致命的か

なぜ「最悪の一回」をそこまで重く見るのか。

字幕翻訳の北極星は、「存在感のない字幕」だ。訳が自然に画面に溶けていて、ユーザーは翻訳されていることすら忘れている——それが最高の状態だ。ところが、日本語のセリフが日本語のまま出る（echo＝訳さず原文をそのまま返す失敗）と、その瞬間に「あ、これ機械翻訳だ」と我に返る。没入は連続量ではない。一度切れたら、ゼロに戻る。

これはボトルネックの記事で書いた「致命的な崩れ」と同じ構造だ。100回のうち99回が完璧でも、1回のechoが体験全体の印象を決めてしまう。ユーザーは平均を体験しない。最悪を体験する。

だから、追うべき指標は平均品質ではなかった。床——最悪時の品質だ。事故率とは、この床を裏返して測ったもの（低いほど床が高い）にすぎない。

ではどう測るか。この記事の看板数字（64%→24%）は、上の難所25件で「3モデル中いちばん悪い訳＝最下位を出した割合」——最下位率だ。相対順位なので、最下位＝即致命的とは限らない（圧縮前ですら12%は最下位に回る）。ただし最下位に落ちた訳を1件ずつ目視すると、その大半が性別反転・固有名破壊・主客の取り違え・echoといった致命的な崩れだった。だから最下位率は、大事故の代理指標としてそのまま使える——以降の「大事故率」はこの意味だ。

天井は上げず、床だけを上げる

では、どうやって大事故を減らすか。

ここで効いたのが、rotation（回転）という補正だ。圧縮の前に、モデルの重みを数学的に”回転”させておくと、丸め誤差が一部の数字に集中せず、全体に薄く散る。きわどい判断が誤差でひっくり返りにくくなる——tailの崩れを、狙って抑える技術だ。

これを入れて、同じ25ケースを測り直した。

読み方に注意がいる。最上位率は下がった（24%→12%）。rotationは、モデルを”最高に賢く”はしていない。だが最下位率は 64%→24% へ、ほぼ3分の1に落ちた（平均順位でも2.40→2.12）。下げ幅は −12pt に対して −40pt——差し出した分より、返ってきた分がはるかに大きい。echoに至っては4回から0回。最悪時の品質＝床が、圧縮前（12%）に、ぐっと近づいた。

一般テキストの困惑度（ppl＝モデルの”自信のなさ”の指標、低いほど良い）も、圧縮で10.65へ悪化していたのが、rotationで9.95まで下がって戻り、圧縮前（9.94）にほぼ並んだ。最上位率がわずかに下がる代わりに、崩れていた床——最悪側の品質——が回復したのだ。

製品としては、これで十分だった。最高の訳を1回増やすことより、最悪の訳を10回減らすことのほうが、字幕という製品には効く。天井を捨てて、床を選んだ。

（この「天井か床か」の選択そのものは、Paretoの記事で”操作点の選び方”として触れた。あそこでは方法A＝圧縮のみ、方法B＝rotationとして並べた。この記事は、その一点を測定の中身まで掘り下げたものだ。どちらが”優れている”かではなく、製品がどの軸を必要とするか、で座る場所が決まる。）

天井は戻らない。そして自動指標は、事故を隠す

まず、勝ち切ってはいない。rotationが戻すのは床であって、天井は戻らない——圧縮前（最上位率64%／平均順位1.48）には届かないままだ。圧縮で失った最高品質は、この補正では取り返せない。

そしてもう一つ。この一件で、いちばん怖かったのは技術の話ではない。最初に信じた指標が、事故を見えなくしていたことだ。

一致率89〜96%——立派な数字だ。これを合格基準にしていたら、圧縮モデルは「ほぼ無劣化」で通過し、echoを吐きながら本番に出ていた。指標が間違っていたのではない。そして「平均だからダメ」でもない——同じ平均でも、ppl（困惑度）は床の回復をちゃんと捉えた。問題は、その指標が何を薄めるかだ。トークン一致率は、事故の起きる少数を大多数の”問題ない部分”で薄めてしまい、いちばん知りたい最悪ケースが構造的に見えなくなっていた。tailが問題の場面では、使う平均が何を希釈するかを疑い、必要なら最悪ケースを直接数える。

結局、事故を捉えたのは、生成した訳を人手で読み、致命的な崩れを1件ずつ数える——という素朴な作業だった。ここは今も自動化できていない。自動指標が鈍いなら、tailを直接数えるしかない。measure（測る）対象を、平均から最悪へ、一段ずらす。それだけのことに、危うく気づかないところだった。

教訓

1. 製品の価値は、天井でなく床にある。 一度の崩れが体験を壊す製品では、床がそのままKPIになる。受け入れ基準は「平均◯点以上」でなく「最悪ケース率◯%以下」で書く——ユーザーは平均を体験しない、最悪を体験する。

2. その平均指標が「何を薄めるか」を疑う。 すべての平均が悪いわけではない（pplは床の回復を捉えた）。だがトークン一致率89〜96%は、事故の起きる1割強を大多数の”問題ない部分”で薄めていた。問題がtailにあるなら、最悪ケースを直接数える指標に替える。

3. 天井と床は、別々に動かせる。 最下位率を64%→24%（−40pt）へ大きく削り、最上位率の低下は24%→12%（−12pt）に抑えた。差し出した3件に対し、返上した最下位は10件だ。「全体を良くする」でなく「どの部分を良くしたいか」を先に決める。伸ばす場所を取り違えると、正しい技術でも空振りする。

マニフェストの3番目の原則——「ユーザー体験の代理指標を、正しく選ぶ」、なかでも「良い代理指標は平均でなく、最悪の一回（tail）を見る」——を、いちばん素朴な形で突きつけられたのがこの一件だった。速さでも品質でも、効いてくるのはいつも分布の端のほうだ。

---

付録：生データ

対象: 自前8Bモデル、held-outドラマ 25 hard cases、本番と同じ自由生成を上位モデルで盲検順位づけ。

一般則: 圧縮モデルの評価は必ず本番と同じ量子化・自由生成で、平均でなく最悪ケース率を主KPIに（量子化は微調整を削るの評価原則と同根）。