两次答对并不只有一种解释。当前两图都由左侧人物持球，因此关系规则和左色规则给出相同答案。先把各自预测明确写出，再去看下一页哪两个条件让它们不同。图旁给出的是规则预期，而非模型实测结果。
红衣左侧持球与蓝衣左侧持球两张同源图，两条规则都得到正确的红、蓝答案。
看这两张图。第一张红衣人在左边，也拿着球；第二张蓝衣人在左边，也拿着球。如果模型两次都选对，我们很容易觉得它已经理解“谁拿着球”。 但是另一个更简单的规则也能通过：只看左边人的衣服颜色。在这两张图里，位置线索和持球关系恰好绑在一起，两个解释给出同样的答案。 这不是故意找一个苛刻陷阱，而是在检查这两次成功究竟排除了哪些可能性。接下来我们不需要再多收集十张同样相关的图片，只需要选择让两个解释发生分歧的条件。
保留两句候选：A 为红衣人拿球、旁边有蓝衣人；B 为蓝衣人拿球、旁边有红衣人。第一张图左红持球，第二张图左蓝持球。关系规则按持球者衣色选择 A/B；位置规则只按左侧人物衣色选择 A/B。
| 条件 | 持球关系规则 | 左侧颜色规则 |
|---|---|---|
| 左红持球、右蓝 | A | A |
| 左蓝持球、右红 | B | B |
两个规则对这两张图作出完全相同的预测。即使真实模型两次答对，也不能仅凭这两次观察决定它用了哪条规则。这不是说成功没有价值：成功表明它在当前条件里能选对候选，只是测试没有排除另一解释。
要增加解释力，应该选择两个规则会分歧的输入，而非收集更多左侧总持球的成功图。下一页把持球位置交叉安排，保持同样两句候选，使答案依据成为可观察差别。页面表格计算的是规则预期；读取真实模型时要另查固定模型、实际输入与分数记录。
先回看本页画面并指出输入、条件和输出，再按“两次成功为何仍有两个解释”阅读。相关实验以其已保存结果为起点，需要动手时再顺序执行 Notebook；
A=relationship-a-left-red-holds.png，红衣女子在左且持球；B=relationship-b-left-blue-holds.png 是 A 的同源颜色编辑，蓝衣女子在左且持球。页面是人工定义两条规则的预测，不是新 CLIP 推理。B 并非逐像素单变量变换。