勤能补拙，肝不改命

点击上方蓝字关注 Ingress Beijing

Glyph Hack是获取物资的重要手段。然而Glyph Hack的产出服从什么规律，受哪些因素影响，国内相关研究尚且较少。本文通过随机试验，定量分析了Glyph Hack的物资产出同Bonus Points之间的关系。后文中，第2章介绍了实验环境，第3章描述了实验结果，并在第4章总结。

实验在6.5级床po（88776655）上，于特殊时期（90s基础cd，16次基础hack）进行，配置VRHS/VRMH，实际效果为27s cd，每4小时28次hack。实验员XJL310行动等级11-12，所有的画图在More-Complex调制下进行，手动记录每次资源产出详细内容，以及获得的AP数，再由AP反推出Bonus Points（XJL310, 2020）。

实验共进行有效Hack 368次，其中成功（全对且剩余时间在1.00s以上）Hack 320次。在320次成功的Glyph Hack当中，共获得钥匙538把，各等级脚1547个，各等级炸1440个，6糖287个，6炮60个，各色盾113个，各色Heat Sink 6个，各色Multi Hack 9个，攻击性mod 19个，另有5个Hyper Cube，8个LA，1个SBUL，2个负叶子和2个蓝桶。

在一次成功的Glyph Hack中，获得脚、炸和钥匙的期望值±标准差分别为：4.83±0.08，4.50±0.11和 1.68±0.04。图1展示了单次Hack获得脚、炸和钥匙的频数分布，可见频数基本服从正态分布。图2展示了脚和炸的等级分布。我们的实验发现，尽管传统观念上认为脚和炸是等价的，但脚的获得比炸无论是在数量上还是在等级上都更加“集中”，这意味着在不具备起八条件的偏远地区，8脚比8炸可能更加稀有。

此外，实验证据未表明糖和破甲弹可以跨等级获得。

由于本人脸黑事件频率较低，我们不再对稀有物资进行分类、定量的统计描述。

图1：单次入侵中脚（左）、炸（中）和钥匙（右）的频数分布

图2：脚（左）和炸（右）等级分布

我们最关心的问题是，画图又对又快对于多拿物资有没有帮助，换言之，单次Glyph Hack的道具产出期望与Bonus Points的关系。图3展示了道具产出与Bonus Points的关系，以及对这一关系的线性拟合（红线）与置信区间（灰色区域）。可见，道具产出与Bonus Points存在显著的线性相关。

图3：道具产出总数与Bonus Points的关系

进而我们探究了这一关系的机制：道具总量究竟来源于哪类道具的增长。我们将道具分成三类：常规道具（分行动等级的道具，包括脚、炸、糖和炮）、特殊道具（mod，红糖，桶和毒）和钥匙。图4展示了每一类道具同Bonus Points的关系。

图4：分类型道具产出与Bonus Points的关系

表1显示上述关系的线性回归结果。我们发现，Bonus point每增加1百分数，道具获得数量的期望值增加0.044（R2=0.151），且总数的增长效应仅来自于常规道具的显著增加，特殊道具和钥匙的期望数量变化幅度小于0.001，且统计上均不显著。

然而，在经济意义上，额外的Bonus Points对道具产出的实际效果有限。以4图为例：4图的全时间是17.00s，每1点时间Bonus Point对应0.17s。在保证正确的前提下，画图速度每提高1秒钟，Bonus point增加5.9，获得道具的数量期望随之提高0.259——也就是说，一个特工需要把ta画4图的时间提高4秒，在统计意义上才能每次多获得一件道具——换言之，世界上画4图最快的人和最慢的人，他们的每次Glyph Hack产出也不过差4件道具。

表1：Bonus Points对道具产出的线性模型估计

上一节中，我们发现了常规道具的产出显著收到画图速度与正确率的影响。对于常规道具，我们进而分析了它们的等级与Bonus Points的关系。鉴于我们未发现糖和破甲弹的等级受到影响，我们利用以下公式计算了每次Hack中获得的脚和炸的加权平均等级，并研究了平均等级同Bonus Points的关系。

平均等级≡(∑_(n=5)^8▒〖(n级脚数量〗×n)+∑_(n=5)^8▒〖(n级炸数量〗×n))/(∑_(n=5)^8▒n级脚数量+∑_(n=5)^8▒n级炸数量)

图5显示，道具平均等级同Bonus Points不存在显著的关系。这意味着，相比于获得低级物资而言，准确而快速的画图并不能帮助特工从Portal中获得更多的高级物资。不要觉得自己是大佬就从6po疯狂摸8炸了

图5：道具等级与Bonus Points的关系

一个值得研究的问题是，Glyph全对情况下的Bonus Point和非全对情况下的是否有同样的价值？为了回答这个问题，我们利用从320次成功Glyph Hack中得到的模型，对48次我故意画错从而未全对的Glyph Hack进行了样本外预测。图6显示，从成功Glyph Hack中得到的模型基本能够预测未全对的情况：加入未全对样本后，所得的模型依然在原置信区间之内。

图6：对于未全对情况的样本外预测

许多特工在经验上认为，同一个Po多次Hack，其产量可能会下降。我们最后来检验这一假设。在实验中我们记录了每次Hack的入侵次序：入侵次序是一个介于1与28之间的整数，表示本次Hack在一轮为期4小时的Hack循环中是第几次。图7展示了入侵顺序对道具产出的影响，我们未能观测到后发生的Hack比先发生的Hack获得道具更少的证据。表2展示了入侵顺序对道具产出线性影响模型的估计，在模型中我们同样未能找到任何显著的负向相关性。

图7：入侵顺序对道具产出的影响

表2：入侵顺序对道具产出的线性模型估计

通过对368次Glyph Hack的定量分析，我们发现Bonus Points与Glyph Hack的道具产出之间存在显著的正向关系。每1点额外的Bonus Point使道具产出期望增加0.044，且产出的增加几乎全部来源于常规道具，而非特殊道具或钥匙的增加。无论Glyph是否全部正确，这一模型均适用。此外，我们还发现Bonus Points不影响常规道具等级，且入侵顺序不影响道具产出。

这一结果对于Farm具有重要的指导意义。一方面，研究结果表明，以Bonus Points衡量的速度收益十分有限，因此在速度与正确率的权衡中，正确率应当被赋予更高的权重。另一方面，对于Glyph Hack成功率较低的特工，更多的Hack完全可以弥补常规道具数量上的不足；而反过来，对于高水平但是脸黑特工，高Bonus Points的Glyph Hack并不能保证特殊物资产量的增加。

一言以蔽之——勤能补拙，肝不改命。

参考文献

• XJL310 (2020)《再探 Glyph Hack：Speed Bonus与剩余时间的关系》，Ingress北京，2020-1-15.

注：作者感谢Ingress北京的编辑及并不存在的审稿人对于本文的建议，作者本人对文中一切错误负责。该研究未受到任何组织和个人的资助，作者和除了跟我抢AP的友军之外的其他人无任何利益冲突。研究数据可以在作者的tg频道(XJL310013LJX)获得。