第 48 課算過「頻率偏離」在對手不調整時幾乎免費、對手一調整就變成線性損失,但那一課預設對手靠你的頻率調整;今天處理另一條路:對手不必等你的頻率偏離,光是看你「下注花了幾秒」「用了哪個尺度」「在 HUD 上累積的數字」,就能把你的範圍往一邊推。問題是:這種洩漏讓對手的後驗機率移動多少、值多少底池、要幾個樣本才看得出來,以及用隨機化或固定化壓掉它要付多少 EV。先講自算結論: 在我延用的離散模型(底池 1、尺度 0.75、堅果占一半、均衡增益 V = 21.43% 底池)裡,若你的價值牌有 30% 會「思考很久」、詐唬牌有 60% 會,對手看到久想時把「你在詐唬」的機率從 30% 推到 46.2%、看到秒下注時推到 19.7%,他每次面對下注多賺 15.75% 底池,折成每手 11.25%,吃掉均衡增益的 52.5%;偵測它大約要 229 次下注(各約 40 次攤牌)。每多 1 個百分點的久想率差距,每次下注就多送 0.525 個百分點底池,這是一階損失,因為均衡時對手剛好無差異,任何有資訊的訊號都能被他變現。尺度習慣「價值牌 70% 用大注、詐唬牌 40% 用大注」損失均衡增益的 54%;把洩漏用隨機延遲稀釋一半,損失砍半;固定單一尺度在我的連續模型裡不虧(最佳單一尺度 5.56% 底池,只用 1/3 池則 4.27%,差 23%)。以下全是自擬模型與紙上推演,沒有對照求解器、也沒有真實對手資料;台灣沒有合法的現金撲克賭場,本文定位是機率與決策訓練,不構成任何下注建議。
📖 學
一、洩漏就是一個似然比,用貝氏更新算
延用第 48 課的模型甲:底池 1,你的範圍一半堅果、一半空氣,對手全是抓詐唬牌;你下注 s = 0.75 倍底池,均衡時下注範圍裡詐唬占 s/(1 + 2s) = 30%、價值占 70%,對手跟注 c* = 1/(1 + s) = 57.1%。此刻對手跟注的 EV 是 0.30 × (1 + s) − 0.70 × s = 0.525 − 0.525 = 0,剛好無差異,這是之後一切計算的起點。
現在加入一個訊號:你下注前「想很久」(超過 5 秒,簡稱久想)。假設你價值牌的久想率 tv = 30%,詐唬牌的久想率 tb = 60%(詐唬時要決定下不下手,所以更常猶豫;這個數字是我設的,不是量測)。貝氏更新用賠率形式最順:先驗賠率 詐唬 ÷ 價值 = 0.3 ÷ 0.7 = 0.4286,久想的似然比 LR = 0.6 ÷ 0.3 = 2,後驗賠率 0.857,後驗詐唬機率 = 0.857 ÷ 1.857 = 46.2%,價值機率 53.8%。若是秒下注,LR = 0.4 ÷ 0.7 = 0.571,後驗賠率 0.245,詐唬機率 19.7%、價值機率 80.3%。這就是題目問的「對手對你持有強牌的後驗機率」:久想時從 70% 掉到 53.8%、秒下注時升到 80.3%。
換成對手的決策:跟注 EV = b × 1.75 − (1 − b) × 0.75。久想時 b = 46.2%,EV = 0.8085 − 0.4035 = +0.405 底池,跟;秒下注時 b = 19.7%,EV = 0.344 − 0.602 = −0.258,棄牌(棄牌 EV 為 0,損失就此止住)。訊號的出現機率:久想 0.7 × 0.3 + 0.3 × 0.6 = 39%,秒下注 61%。所以每次你下注,對手平均多賺 0.39 × 0.405 = 0.1575 底池。模型甲每手牌你下注的機率是 0.5 + 0.5 × 3/7 = 71.4%,折成每手 11.25% 底池,而你的均衡增益是 21.43%,被拿走 52.5%。
這裡有一條漂亮的閉式:以訊號機率加權後,對手的跟注 EV = (1 + s) × pb × tb − s × pv × tv。均衡時 (1 + s) × pb = s × pv = 0.525,所以每次下注的洩漏價值 = 0.525 × (tb − tv),只看兩種牌的久想率差,不看絕對水準。0.30 對 0.60 與 0.20 對 0.50 差距都是 30 個百分點,損失一樣是 15.75% 底池。
二、洩漏強度、損失與偵測樣本
差距小,洩漏就小,但損失永遠是線性,不像第 48 課的二次式。下表是 tv = 30% 固定、改變 tb,每手以 71.4% 下注率折算;偵測樣本用雙樣本比例檢定近似(雙尾 5%、檢定力 80%),需要把你詐唬牌與價值牌的久想率各看到那麼多次攤牌;下注次數則扣掉被跟注才會攤牌的比例(跟注率 57.1%,詐唬占下注 30%)。
| 詐唬牌久想率 tb | 久想時詐唬機率 | 每次下注洩漏(%池) | 每手(%池) | 占均衡增益 | 每組需要攤牌數 | 需要下注次數(約) |
|---|---|---|---|---|---|---|
| 35% | 33.3% | 2.62 | 1.87 | 8.8% | 1,374 | 8,000 |
| 40% | 36.4% | 5.25 | 3.75 | 17.5% | 353 | 2,060 |
| 45% | 39.1% | 7.88 | 5.63 | 26.3% | 160 | 930 |
| 60% | 46.2% | 15.75 | 11.25 | 52.5% | 39 | 229 |
| 90% | 56.3% | 31.50 | 22.50 | 105% | 7 | 38 |
最後一列的 105% 表示洩漏損失超過均衡增益,你的下注比整手過牌還差。從這張表讀出兩件事。第一,強洩漏一個晚上就會被看穿(229 次下注在線上大約一場錦標賽,在實體桌可能要好幾個月),弱洩漏(差 5 個百分點)要 8,000 次下注,對一般對手實質上看不到;但這些是對手「確實有紀錄每次攤牌的牌與時間」的偏樂觀假設。第二,對手也許不用數,而是憑印象把兩端的樣本放大:人對「這個人詐唬時總是停很久」這種敘事式記憶的信心,往往遠高於 39 次樣本該給的證據,所以他的調整可能比表中更早,也更錯。
三、尺度習慣:每次下注都看得到,攤牌才知道意義
尺度的訊號比時間更便宜,因為對手每次下注都直接看到尺度,只等攤牌來解碼。我用兩個尺度做模型甲的擴充:小注 0.5 倍底池、大注 1.0 倍底池,堅果仍占一半。均衡時每個尺度裡的詐唬占比都要等於該尺度的無差異值:小注 25%、大注 33.3%。取你一半的堅果用大注,堅果在小注、大注各 25% 範圍,則詐唬牌量要在小注 0.0833、大注 0.125(合計 0.2083,等於空氣的 41.7% 下注);每個尺度的增益是堅果被跟注的 c × s:小注 0.25 × 1/3 = 0.0833、大注 0.25 × 1/2 = 0.125,合計 V = 20.83% 底池(與模型一致)。這是「尺度與牌力無關」的基準線。
現在加入習慣:你價值牌用大注的比例 p,詐唬牌用大注的比例 q,詐唬總量不變(空氣的 5/12)。對手對每個尺度各自做最佳回應(該尺度詐唬占比超過門檻就全跟、低於就全棄):
| 價值牌用大注 p / 詐唬牌用大注 q | 小注詐唬占比 | 大注詐唬占比 | 對手回應 | 你的 EV(%池) | 損失 | 占 V | 需要下注次數(約) |
|---|---|---|---|---|---|---|---|
| 50% / 60%(均衡) | 25.0% | 33.3% | 無差異 | 20.83 | 0 | 0% | 不可偵測 |
| 60% / 50% | 34.3% | 25.8% | 跟小、棄大 | 15.21 | 5.62 | 27% | 2,300 |
| 70% / 40% | 45.5% | 19.2% | 跟小、棄大 | 9.58 | 11.25 | 54% | 230 |
| 80% / 20% | 62.5% | 9.4% | 跟小、棄大 | 0.83 | 20.00 | 96% | 40 |
| 100% / 0%(大注全價值、小注全詐唬) | 100% | 0% | 跟小、棄大 | −10.42 | 31.25 | 150% | 不用數 |
這張表有兩個教訓。第一,「大注代表強、小注代表弱」這種依牌力排序的習慣很常見,它的方向總是同一個:對手跟你的小注、棄你的大注,你的大注只贏到底池、你的小注卻在送錢。第二,損失隨 p − q 的擴大而一路上升、且沒有平滑的起步段:差距 10 個百分點就已損失 5.62% 底池(占 V 27%),30 個百分點 11.25%,60 個百分點 20.00%,和時間訊號一樣是一階的,不是第 48 課那種二次式的小損失。實務上常見的相關習慣還有:大注後在同一條街的行動時間更短、順手把籌碼推出去的方式不同、翻牌圈 c-bet 的尺度因牌面而固定,這些都是「尺度與時間」的聯合訊號,各自的似然比相乘,洩漏比單看一個更大。
四、線上讀取:HUD 把洩漏變成頻率統計
HUD 把對手過去的動作整理成頻率,等於替你的所有洩漏做了簡單的貝氏更新。它的力量與盲點都在樣本數。以頻率 p 估計的標準誤是 √(p(1 − p) ÷ N):
| 觀察次數 N | VPIP(真值 25%)的標準誤 | 3-bet(真值 7%)的標準誤 | 面對 3-bet 棄牌(真值 70%)的標準誤 |
|---|---|---|---|
| 30 | 7.9 | 4.7 | 8.4 |
| 100 | 4.3 | 2.6 | 4.6 |
| 300 | 2.5 | 1.5 | 2.7 |
| 1,000 | 1.4 | 0.8 | 1.5 |
單位是百分點。因為不同統計量的「機會數」不同(VPIP 每手都有機會,3-bet 與面對 3-bet 的次數少得多),同樣 100 手,3-bet 的機會也許只有 10 次左右;HUD 上看起來很精確的小數點,背後常是個位數的樣本。好的用法是把母體平均當先驗:假設這個注級面對 3-bet 棄牌的平均是 65%、先驗強度相當 20 次觀察,記成 Beta(13, 7),標準差 10.4 個百分點。對手只看了 10 次、你棄了 8 次(80%):後驗 Beta(21, 9),平均 70.0%,只比先驗移動 5 個百分點;若是 100 次中棄了 80 次:Beta(93, 27),平均 77.5%、標準差 3.8 個百分點。同樣是 80%,樣本不同,對手該相信的程度差一倍多。
這個洩漏值多少?設你開池 2.5 個大盲,對手 3-bet 到 9,死錢 1.5 + 2.5 = 4 個大盲。他拿弱牌詐唬 3-bet 的 EV(忽略被跟注時的權益、位置與 4-bet)= f × 4 − (1 − f) × 9,損益平衡的你的棄牌率 f = 9 ÷ 13 = 69.2%。你棄牌 55% 時他的詐唬賠 1.85 個大盲、75% 時賺 0.75、85% 時賺 2.05,每偏離 1 個百分點值 0.13 個大盲。偵測你的棄牌率是 75% 而不是 69.2% 要約 479 次面對 3-bet;若是 85% 約 58 次、90% 約 31 次(單樣本比例檢定,同樣的 5% 與 80%)。假設你每手約有 15% 的機率遇到他有 3-bet 的位置開池(這個數字是我設的),479 次相當於 3,200 手,58 次約 390 手。結論是:極端的 HUD 數字(棄牌率 85% 以上、從不 3-bet 之類)幾百手就會被抓,接近均衡的偏離需要幾千手,但線上多桌的玩家一天就能累積到這個量。
平台規則也影響你要防誰。依公開政策整理(第二手資料,我沒有逐條核對平台原文,實際以各平台最新條款為準):PokerStars 允許以自己牌局資料建立的統計型 HUD,但禁止即時決策輔助(RTA)、牌局進行中使用求解器、資料探勘與共享玩家資料庫;GGPoker 禁止第三方 HUD,改提供內建的 SmartHUD,同樣禁止 RTA 與牌局中查表。所以今天的「讀取」在合法框架內,是你的對手用自己看到的紀錄、而不是買來的資料庫在讀你,也不是你用工具在牌局中替你做決定。想把這類工具用在實戰之前,先讀你要玩的那個平台的條款,第 59 課會專門處理紅線。
五、壓低洩漏:固定化與隨機化的 EV 代價
時間:隨機延遲。 做法是在一部分決策上加與牌力無關的隨機等待。令 r 為你加入隨機延遲的決策比例,兩種牌的久想率都往 1 靠:tv′ = 0.3 + 0.7r、tb′ = 0.6 + 0.4r,差距縮成 0.3 × (1 − r),洩漏就按 (1 − r) 比例縮:
| 隨機延遲比例 r | 久想率差距 | 每手洩漏(%池) | 占均衡增益 |
|---|---|---|---|
| 0 | 0.30 | 11.25 | 52.5% |
| 25% | 0.225 | 8.44 | 39.4% |
| 50% | 0.15 | 5.63 | 26.3% |
| 75% | 0.075 | 2.81 | 13.1% |
代價是時間而不是 EV:在有行動計時器的線上桌,延遲會吃掉你的時間銀行;在實體桌會讓牌局變慢、惹人不悅。固定化(所有決策,包含明顯的,一律先數兩秒再動作)是 r 的極端,差距趨近 0,代價是你放棄「用思考時間做更好決策」的自由,我無法把這個代價換成數字,因為它取決於你的思考品質,模型裡沒有。
尺度:固定或與牌力無關地混用。 用第 44、47 課的連續牌力模型(下注 s 倍底池,牌力均勻)算最佳策略的增益 G(s):
| 尺度 s | 1/3 | 1/2 | 3/4 | 1 | 3/2 | 2 | 3 |
|---|---|---|---|---|---|---|---|
| 對手跟注門檻 c | 0.312 | 0.400 | 0.491 | 0.556 | 0.643 | 0.700 | 0.771 |
| 增益 G(%池) | 4.27 | 5.00 | 5.45 | 5.56 | 5.36 | 5.00 | 4.29 |
(我用閉式與 20 萬格點驗算,s = 1 與第 44 課的 1/18 一致。)固定在最佳尺度(1 倍池)沒有洩漏,也沒有損失;固定在 1/3 池則少賺 23%;以 50% 的機率隨機選 1/2 池、50% 選 2 倍池(兩者與牌力無關),平均 5.00%,比單一最佳尺度少 10%。 也就是說,「固定」與「隨機」的差在於後者要付約 0.56 個百分點底池,換到的是對手更難預測你在特定牌面用哪個尺度;代價用這兩欄對比就是 G(1) − 5.00 = 0.56。這與習慣洩漏的損失(第三節 27% 到 96% 的 V)相比便宜得多。
要注意模型的方向:離散模型甲中,「大注增益大」是因為對手只有抓詐唬牌、沒有更強的牌,所以大注一路比小注好(單一大注 V = 25.0%,兩尺度均衡混用 20.83%,固定單一尺度反而比混用多賺);連續模型裡最佳尺度約 1 倍池。兩個模型都不能直接搬到有加注、有多街、有多種牌面的真實牌局,真實的「固定尺度」成本是它在某些牌面上(例如極濕的牌面、深籌碼)偏離最佳尺度,這個成本需要求解器節點才能量,我沒有量。
🧠 為什麼是這樣
洩漏的本質是:均衡策略讓對手「在你的每個行動上都無差異」,這個無差異是脆弱的,只要某個你沒控制的變數(時間、尺度、籌碼動作)與你的牌力相關,對手就多了一個決策依據,他的最佳回應立刻從無差異變成嚴格偏好。第 48 課的「一階為零」是你主動偏離頻率,對手沒有新資訊,所以損失二次式;今天是你被動洩漏資訊,對手有新資訊,所以損失線性。兩個結論在同一個框架裡:對手的最佳回應只在他的資訊變得有差異時才跳動。
邊界要老實說。第一,所有的久想率、尺度分配、洩漏強度都是我設的,沒有任何一個來自真實觀測;真實世界的洩漏往往是多個弱訊號的混合,每個的 LR 都在 1.1 到 1.3 之間,模型沒有處理這種情況。第二,我假設對手知道你的訊號與牌力的對應(完全知道 tv、tb),實際上他得從樣本估計,而且要區分「這個人的習慣」與「這個場景的偶然」;偵測樣本只是樂觀下限。第三,我假設對手只在「跟或棄」二選一,沒有加注;對手可以用加注利用洩漏,也可以反向利用,即你注意到他知道你洩漏後故意利用你的修正。第四,隨機延遲與固定化的代價沒有被量化成 EV。
對手怎麼反制:你開始隨機化後,他可以改看更慢變的訊號(整場的行為模式、位置分布、情緒)。你更安全的作法是把「選牌正確」(誰當詐唬、誰當價值)放在第一優先,第二是消除能被明確偵測的訊號(時間與尺度的固定程序),第三才是 HUD 數字的微調;這與第 48 課的優先順序一致,差別是今天的損失是線性的、花了就要認。第 55 課會處理「對手開始針對你調整」之後的反剝削。站內讀牌與下注線推理從對手那端說明如何把動作還原成範圍,今天的內容是它的鏡像:你的動作被怎麼還原。
資金面:資訊洩漏的損失在高量線上桌會被放大,對手樣本累積得比你想的快。任何針對洩漏的改動,都應該用小到最壞情形也不影響決策品質的注碼驗證,依剝削性打法與資金管理的立場,銀彈 30 到 50 個買入起跳,不要為了「修正洩漏」加碼。研究目的是提高決策品質,不是預測收益,不保證任何一段期間的結果。
✍️ 今日練習
15 到 20 分鐘,紙筆、計算機、有秒針的錶,不必進賭場,不需要求解器。
- 模型甲 s = 0.75:你價值牌的久想率 20%、詐唬牌 50%。算久想與秒下注時的詐唬後驗、對手各自的跟注 EV、每次下注的洩漏,並用 0.525 × (tb − tv) 驗算;再算偵測需要多少次攤牌與下注。
- 兩尺度模型(0.5 與 1.0 倍池,堅果一半,詐唬量為空氣的 5/12):價值牌 75% 用大注、詐唬牌 35% 用大注。算兩個尺度各自的詐唬占比、對手的回應、你的 EV 與損失占 V 的比例。
- 面對 3-bet 棄牌的先驗 Beta(13, 7):觀察到 20 次中棄了 16 次,算後驗平均與標準差。
- 你開池 2.5、對手 3-bet 到 9:你棄牌 80% 時,他的詐唬 3-bet 每次 EV 多少個大盲?損益平衡的棄牌率是多少?
- 隨機延遲比例 r = 40%:每手洩漏多少、占均衡增益多少?
- 寫一張自己的「時間與尺度程序卡」三行:哪些街用固定尺度、決策前固定數幾秒、哪些情境允許破例;各寫一個讓它失效的情境。
自我檢查
- 步驟 1:久想時詐唬後驗 51.7%、跟注 EV +54.3% 池,秒下注時 21.1%、EV −22.2% 池,每次下注洩漏 15.75% 池(與 0.525 × 0.30 一致);每組約 36 次攤牌、約 209 次下注。
- 步驟 2、3:小注詐唬占比 52.0%(對手跟)、大注 16.3%(對手棄),EV = 6.77% 池,損失 14.06% 池(占 V 67.5%);後驗 Beta(29, 11),平均 72.5%、標準差約 7.0 個百分點。
- 步驟 4、5:EV = 0.8 × 4 − 0.2 × 9 = +1.4 個大盲,損益平衡棄牌率 9 ÷ 13 = 69.2%;r = 40% 時洩漏 = 11.25 × 0.6 = 6.75% 池,占均衡增益 31.5%。
🔗 延伸
- 讀牌與下注線推理——從對手動作反推範圍,是今天洩漏的鏡像。
- 剝削性打法——對手分類與 HUD 讀數的站內說明。
- Which Poker Sites Allow HUDs? 2026 Site Policy Guide——各平台 HUD 與第三方工具政策的第二手整理,實際以平台條款為準。
💬 問 AI
我在練「玩牌技術」第 49 課:資訊洩漏:下注時間、尺度習慣與線上讀取。
請用下面的資料檢查我的算法(只是教學練習,不是下注建議):
- 模型甲:底池 1、我下注 0.75 倍底池、範圍一半堅果一半空氣、對手全是抓詐唬牌只能跟或棄;均衡下注範圍詐唬占 30%
- 我設的時間訊號:價值牌久想率 [20%]、詐唬牌久想率 [50%]
- 我算出的:久想時詐唬後驗 [...]、秒下注時 [...]、每次下注洩漏 [...]、偵測所需下注次數 [...]
- 兩尺度模型:小注 0.5、大注 1.0;價值牌用大注 [75%]、詐唬牌用大注 [35%];我算出的損失占均衡增益 [...]
- HUD:面對 3-bet 棄牌先驗 Beta(13, 7),觀察 [16/20],我算出後驗 [...]
- 隨機延遲比例 [40%],我算出的每手洩漏 [...]
請依序回答:
1. 重算我的後驗、跟注 EV、洩漏價值,指出算錯的地方。
2. 解釋為什麼在均衡時洩漏的損失是線性的(與第 48 課頻率偏離的二次式對比)。
3. 檢查我對偵測樣本數的近似(雙樣本比例檢定、5% 與 80%)有沒有漏掉的條件。
4. 這個模型不成立的情況(多個弱訊號、對手加注、對手要自己估計訊號、多街、抽水)。
5. 我所在的平台對 HUD、資料使用與 RTA 的規則,我應該去哪裡確認,以及哪些做法一定違規。
請標明「你算出來的」「你的假設」「你不確定的」,不要給我下注或買入建議,也不要編造連結或數據。