調查 ・ 復現與模擬回測 ・ 無業者分潤
「爆分潛力值」準嗎?我們用五百萬轉模擬資料驗它的公式
「爆分潛力值」是一種選台分數:給每一台打 0–1000 分,把「很久沒開」當成加分,號稱能幫你挑出「蓄能滿了、快開的台」。依我們程式註解的紀錄,這個分數的規則是從一款選台外掛的教學頁記下來的,但當時沒有留下網址或存檔,現在也找不到可以公開核對的版本(見下方說明)。我們把公式寫成程式,放到電腦模擬的「每局獨立」亂數序列上做前瞻回測—— 用的是模擬資料,不是真實機台的紀錄。結論很簡單:在這組模擬資料上,它挑台的能力跟擲骰子沒有差別。
更正說明(2026-10-21):本頁原本寫「復現碼與回測碼都公開,任何人都能重跑」,但這兩支程式當時並沒有放上網站,讀者拿不到、也無法重跑。現在兩支程式的全文已附在本頁最後;文中的「回測」也一律註明是模擬資料上的前瞻回測,不是真實機台紀錄。本頁原本也寫「照它公開教學頁的說明」復現公式,卻沒有附上那一頁的網址或存檔,我們現在也找不到可以公開核對的版本,已改成如實交代出處。這次的修正(含幾處數字、圖表標示、用語與一個連結)登錄在更正紀錄。
先把話講清楚(這是我們的規矩)。本文檢驗的是「爆分潛力值」這套評分邏輯,不是任何業者的內部原始碼。它的三個輸入與規則,依我們程式註解的紀錄,出自一款選台外掛的公開教學頁;但我們當時沒有留下網址或存檔, 2026-10 再用這個名稱搜尋,也找不到可以公開核對的版本。所以本文不指名任何產品,你也無法核對我們記下的規則對不對。我們的公式是照這份紀錄「復現」的近似,權重為推估、可能與實際有出入。資料是程式產生的模擬序列,不是真實機台紀錄。復現碼(rivalscore.js)與回測碼(burst_backtest.py)的全文附在本頁最後,任何人都能重跑、打臉我們。
一、它是怎麼算出來的
照我們記下的規則(出處無法核對,見上),這個分數吃三個輸入,一句話規則是「低 RTP + 高未開次數 = 蓄能潛力高,加分」:
- 即時 RTP(今日得分率)——比平均低就加分。
- 損益——今天輸得多就加分。
- 未開次數——目前連續幾轉沒觸發免費遊戲,越久加越多。
我們推估的權重是 RTP 佔 35%、未開次數佔 45%、損益佔 20%。也就是說,照我們推估的權重,這個分數將近一半建立在「未開次數」上。問題就出在這裡。
二、「未開很久=快開了」是賭徒謬誤
照測試標準設計的拉霸,每一局都是獨立事件:這一局會不會觸發,只由這一局的亂數決定,跟前面連續槓龜幾百轉無關。這是寫在標準裡的要求——國際測試實驗室 GLI 的線上博弈系統標準GLI-19(3.0 版,2020-07-17)第 4.5.2 節規定,除非遊戲規則另有寫明,遊戲不得依先前各局的得獎紀錄,調整 bonus/特色功能(例如免費遊戲)出現的機率;第 3.2.4 節要求亂數產生器前一次抽出的結果,不能透露下一次的任何資訊。在這種設計下,只要遊戲規則沒有寫明累積機制,「蓄能」「醞釀」就不存在——機台不會因為欠你很久就還你。
沒有送測認證的平台實際怎麼決定結果,外人無從查核;本文討論的是照上述標準、每局獨立的遊戲。
為了把這件事攤開來看,我們用程式模擬了 500 萬轉、每局觸發機率固定為 1/128(約 0.78%)的獨立序列,把每一轉按「當下已經幾轉沒開」分組,看它們下一轉的觸發率。這組資料本身就是照「每局獨立」產生的,所以下表示範的是「如果遊戲每局獨立,未開次數會告訴你什麼」,不是對任何真實機台的檢驗:
| 已未開次數(相對平均間隔) | 下一轉觸發率 | 觀測樣本 |
|---|---|---|
| 0 – 0.5 倍 | 0.79% | 1,983,005 |
| 0.5 – 1 倍 | 0.79% | 1,192,083 |
| 1 – 1.5 倍 | 0.78% | 721,313 |
| 1.5 – 2 倍 | 0.78% | 436,479 |
| 2 – 3 倍 | 0.79% | 420,670 |
| 3 倍以上 | 0.78% | 246,150 |
不管一台「欠」了多久,下一轉的觸發率都落在 0.78%–0.79%,也就是設定的 1/128。在每局獨立的前提下,未開次數對下一轉的結果,帶有的資訊量是零。而照我們推估的權重,爆分潛力值把這個零資訊的東西當成 45% 在加分。
三、那整個分數呢?跟隨機亂猜一樣
也許你會想:就算未開次數沒用,另外兩項(RTP、損益)會不會救回來?我們在同一組模擬資料上,把完整的爆分潛力值算出來,分成四個潛力帶,看每一帶的機台未來 50 轉內實際觸發的比例。同時放一個隨機控制組(一個跟資料完全無關的亂數分數)當對照——如果爆分潛力值真有本事,它應該要贏過亂數。
| 爆分潛力帶 | 未來 50 轉觸發率 | 隨機控制組 |
|---|---|---|
| 極高潛力 ≥800 | 32.48% | 32.62% |
| 高潛力 ≥600 | 32.50% | 32.60% |
| 中等 ≥400 | 32.79% | 32.59% |
| 低 <400 | 32.66% | 32.62% |
基準線(理論上任抓一台,未來 50 轉會開的機率,1 − (127/128)50)是 32.4%。你看那張表:「極高潛力」的台是 32.48%,「低」分的台是 32.66%,隨機亂數分是 32.6%——八個數字全部落在 32.48%–32.79% 之間,都在基準線附近,彼此看不出差別。換句話說,在這組模擬資料裡,照「極高潛力」去換台,跟閉著眼睛丟骰子挑台,結果沒有差別。
這代表什麼:只要遊戲每一局是獨立決定的,爆分潛力值就不是「不太準」,而是在數學上不可能準。照我們推估的權重,它把 45% 押在「未開次數」這個零資訊的項目上(在這組模擬資料裡,被評為高潛力的快照平均約有 30% 的分數由它貢獻),剩下的也只是在描述過去,對未來沒有預測力。照它換台,換到的只是心理安慰——你的期望值一分都沒有變好。
四、那為什麼還是有人覺得「真的有開」?
因為在我們模擬的設定(每局 1/128)下,基準線本來就有 32%。你盯著一台「高潛力」的機台看 50 轉,大約三次裡有一次真的會開——這時候人可能只記住「準」的那一次,忘了沒開的那兩次。這叫確認偏誤:只記得應驗的、忽略沒應驗的。外掛不需要真的有效,只需要偶爾「應驗」,就可能被腦補出神準的形象。
五、我們的立場
我們沒有指控任何產品造假(本文也沒有指名)。我們是說:在每局獨立的遊戲上,不管誰來做,這種評分在數學上都不可能有預測力,因為它的核心建立在賭徒謬誤上。這件事不需要相信誰,你可以自己驗—— 我們的計算方法寫在方法論頁,復現碼與回測碼的全文附在本頁最後。如果這類工具的作者公開實際的權重與一份誠實的前瞻回測,結果跟我們不同,我們會公開更正。
如果你真的想少輸一點,能幫上忙的不是選台,是這些:
- 一家平台真正要緊的是出金——贏了拿不拿得回來。先看條款有沒有寫審核天數上限、提領上限、手續費,以及什麼情況會要求 KYC 補件——條款沒寫,就等於沒有承諾(見「秒出金」能不能被驗證),不是看誰的紅利花俏。
- 學會辨識收錢的假推薦,別把分潤排名當評價。
- 設好停損、守住資金紀律。只要 RTP 低於 100%,長期期望值就是負的;玩得越久,實際虧損佔總投注的比例越接近 1 − RTP。
- 如果已經停不下來,這裡是台灣可用的求助管道(1925 免付費,其他專線依電信業者可能計費),不需要透過我們。
常見問題
爆分潛力值準嗎?
在模擬資料上的前瞻回測顯示不準。把它的公式跑在 500 萬轉模擬的獨立序列上,「極高潛力」機台未來 50 轉的觸發率(32.48%)與「低」分機台(32.66%)、與隨機亂數分(32.62%)沒有差別,都貼近基準線 32.4%。它沒有預測力。
一台很久沒開,是不是快開了?
在每局獨立、遊戲規則也沒有寫明累積機制的遊戲上,不是。GLI-19 第 4.5.2 節規定,除非遊戲規則另有寫明,遊戲不得依先前各局的得獎紀錄調整 bonus/特色功能出現的機率。在我們 500 萬轉的模擬中(每局獨立、觸發機率固定為 1/128),不管已經幾轉沒開,下一轉的觸發率都在 0.78%–0.79%,也就是設定的 1/128。在這類遊戲上,「蓄能」不存在;遊戲規則如果寫明有累積機制,就要照規則本身判斷。
選台外掛到底有沒有用?
在每局獨立的遊戲上,用「快開的台」這個前提去選台,數學上不可能有效。真正該看的是平台條款裡的出金規則與你自己的資金紀律,這些才改變得了你的實際結果。
附錄:程式全文、怎麼重跑與已知限制
本文的數字全部由下面的回測碼算出。rivalscore.js 是爆分潛力值公式的復現(JavaScript);burst_backtest.py 是在模擬資料上做前瞻回測的程式(Python)。這兩支程式沒有另外放成可下載的檔案,全文就在本節最後。回測碼沒有呼叫 rivalscore.js,而是用同一組權重與公式在 Python 裡重寫了一次(函式 burst()),兩邊可以逐行對照。兩處不同要先講:JS 版會把分數四捨五入成整數、Python 版不會,所以剛好落在分帶門檻附近(例如 799.6)的快照,兩邊可能分到不同的帶;隨機對照組在 JS 版是 shuffleScore(),回測碼則直接用 Python 的 random.random() 產生 0–1000 的亂數分數。
怎麼重跑:把回測碼存成 burst_backtest.py,執行 python burst_backtest.py。它只用 Python 標準函式庫,亂數種子固定為 7,所以每次產生的模擬資料都一樣,不需要另外下載資料檔。 2026-10-21 我們在 Python 3.13.2 上重跑一次,約 20 秒跑完,輸出的數字與本文兩張表一致。
已知限制:
- 公式是照我們記下的規則復現的近似,三項權重是我們推估的,可能與原工具實際的算法不同。
- 資料是程式產生的模擬序列(每局觸發機率固定 1/128),不是真實機台紀錄。資料本身就是照「每局獨立」產生的,所以本文示範的是「如果遊戲每局獨立,這個分數會怎樣」,不能拿來證明任何特定平台的遊戲確實每局獨立。
- 規則的出處:rivalscore.js 的註解寫著「引自其公開教學頁」,但我們當時沒有記下網址或存檔, 2026-10 再用「爆分潛力值」這個名稱搜尋,也找不到可以公開核對的版本。讀者目前無法核對這三個輸入與規則是否真有其事、我們記得對不對。
- 回測碼最後印出的兩行結論(以「→」開頭的那兩行)是寫死在程式裡的文字,不是程式算出來的判斷;請以它印出的數字為準。
- rivalscore.js 裡有一行註解提到測試檔 tools/rival_test.html,這個檔案不存在;這支程式目前沒有對應的測試檔(方法論頁也這樣註明)。
復現碼與回測碼全文
① assets/rivalscore.js(70 行)
/* ============================================================
競品評分復現 —— 「爆分潛力值」0–1000
⚠ 這是依**對方公開說明**重建的近似,不是他們的原始碼。
權重是我們推估的,可能與實際實作有出入。任何呈現都必須標明「復現」。
依據(引自其公開教學頁):
・三個資料輸入:即時 RTP(今日得分率)、損益、未開次數
・規則:「低 RTP + 高未開次數 = 蓄能潛力高 → 加分」
・輸出:0–1000 的「爆分潛力值」
復現這個公式的目的不是抄,是**讓它可以被檢驗**。
其中「未開次數」(目前連續幾輪沒觸發免遊)對下一局的結果
帶有**零資訊** —— RNG 每局獨立。把它加權 45% 進去,
加的是雜訊,不是訊號。這件事可以用前瞻回測直接驗證。
對照組同時提供:shuffleScore() 產生與資料無關的隨機分數。
如果爆分潛力值的回測表現與隨機對照組沒有差別,那就說明完了。
============================================================ */
const clamp01 = (x) => Math.max(0, Math.min(1, x));
/* 權重為推估值。改動請一併更新 tools/rival_test.html 的期望值。 */
export const WEIGHTS = { rtp: 0.35, streak: 0.45, loss: 0.20 };
/**
* m 需要:
* rtp 今日得分率(0–1)
* poolRtp 全體平均得分率
* sinceBonus 目前連續未觸發免遊的轉數
* oneIn 該機台(或全體)平均幾轉觸發一次
* bet 今日總投注
* payout 今日總回饋
*/
export function burstScore(m) {
// 低 RTP 加分:比全體低 10 個百分點時給滿分
const rtpPart = clamp01((m.poolRtp - m.rtp) / 0.10);
// 未開次數加分:達到平均間隔的 3 倍時給滿分
// ← 這一項就是賭徒謬誤。它對下一局的結果沒有任何資訊量。
const streakPart = clamp01(m.sinceBonus / (3 * m.oneIn));
// 今日虧損加分:虧掉投注額的 10% 時給滿分
const lossPart = clamp01((m.bet - m.payout) / (m.bet * 0.10 || 1));
const s = WEIGHTS.rtp * rtpPart + WEIGHTS.streak * streakPart + WEIGHTS.loss * lossPart;
return {
score: Math.round(1000 * clamp01(s)),
parts: { rtpPart, streakPart, lossPart },
// 「未開次數」在總分裡佔多少 —— 這是最值得攤開講的數字
streakShare: s > 0 ? (WEIGHTS.streak * streakPart) / s : 0,
};
}
/** 對照組:與資料完全無關的隨機分數。回測時用來當基準線。 */
export function shuffleScore(seed) {
let a = seed | 0;
a = (a + 0x6D2B79F5) | 0;
let t = Math.imul(a ^ (a >>> 15), 1 | a);
t = (t + Math.imul(t ^ (t >>> 7), 61 | t)) ^ t;
return Math.round(((t ^ (t >>> 14)) >>> 0) / 4294967296 * 1000);
}
/** 分數帶(給 UI 用)。對方用「潛力」語彙,我們照實引用但標明是復現。 */
export function band(score) {
if (score >= 800) return { key: 'top', label: '極高潛力' };
if (score >= 600) return { key: 'high', label: '高潛力' };
if (score >= 400) return { key: 'mid', label: '中等' };
return { key: 'low', label: '低' };
}
② tools/burst_backtest.py(128 行)
# -*- coding: utf-8 -*-
"""
前瞻回測:在『每局獨立』的 RNG 上,檢驗「爆分潛力值」有沒有預測力。
burstScore 權重與 assets/rivalscore.js 一致:rtp .35 / streak .45 / loss .20。
控制組:與資料完全無關的隨機分數。
結論若成立:高分機台未來的觸發率 ≈ 低分機台 ≈ 隨機控制組 ≈ 基準線。
"""
import random
import sys
import io
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8')
random.seed(7)
N = 5_000_000
P = 1 / 128 # 每局觸發免遊的機率(獨立)
ONE_IN = 128
POOL_RTP = 0.94
W = 300 # 「今日」滾動視窗轉數
FWD = 50 # 前瞻:未來 50 轉內是否觸發
WEIGHTS = {'rtp': 0.35, 'streak': 0.45, 'loss': 0.20}
clamp01 = lambda x: 0.0 if x < 0 else (1.0 if x > 1 else x)
# 產生獨立的觸發序列與每局派彩
is_bonus = bytearray(N)
payout = [0.0] * N
for i in range(N):
if random.random() < P:
is_bonus[i] = 1
payout[i] = random.uniform(20, 80) # 免遊大彩
else:
payout[i] = random.random() * 1.1 # base game,均值~0.55
# 前綴和:快速查「未來 FWD 轉內是否觸發」
pref = [0] * (N + 1)
for i in range(N):
pref[i + 1] = pref[i] + is_bonus[i]
def burst(rtp, since, bet, pay):
rp = clamp01((POOL_RTP - rtp) / 0.10)
sp = clamp01(since / (3 * ONE_IN))
lp = clamp01((bet - pay) / (bet * 0.10 or 1))
s = WEIGHTS['rtp'] * rp + WEIGHTS['streak'] * sp + WEIGHTS['loss'] * lp
share = (WEIGHTS['streak'] * sp) / s if s > 0 else 0
return 1000 * clamp01(s), share
def band(score):
if score >= 800: return 'top'
if score >= 600: return 'high'
if score >= 400: return 'mid'
return 'low'
# Fact 1:未開次數 vs「下一轉」觸發率
f1 = {} # bucket -> [hits, total]
def sb_bucket(k):
r = k / ONE_IN
if r < 0.5: return '0.0-0.5x'
if r < 1.0: return '0.5-1.0x'
if r < 1.5: return '1.0-1.5x'
if r < 2.0: return '1.5-2.0x'
if r < 3.0: return '2.0-3.0x'
return '3.0x+'
# Fact 2:burst / 控制組 分帶 vs 未來 FWD 轉觸發率
b_band = {b: [0, 0] for b in ('top', 'high', 'mid', 'low')} # [fwd_hits, total]
c_band = {b: [0, 0] for b in ('top', 'high', 'mid', 'low')}
share_sum = 0.0
share_n = 0
since = 0
win_pay = 0.0
for i in range(N):
# Fact 1 用 i 之前的 since(不含本局)
if i >= W:
bk = sb_bucket(since)
rec = f1.setdefault(bk, [0, 0])
rec[1] += 1
rec[0] += is_bonus[i]
# 快照(需暖機滿一個視窗,且要留得下 FWD 前瞻)
if i >= W and i + FWD < N:
rtp = win_pay / W
sc, share = burst(rtp, since, W, win_pay)
bb = band(sc)
fwd_hit = 1 if (pref[i + 1 + FWD] - pref[i + 1]) > 0 else 0
b_band[bb][0] += fwd_hit
b_band[bb][1] += 1
if sc >= 600:
share_sum += share
share_n += 1
cs = random.random() * 1000 # 控制組:與資料無關
cb = band(cs)
c_band[cb][0] += fwd_hit
c_band[cb][1] += 1
# 更新滾動視窗與 since
win_pay += payout[i]
if i >= W:
win_pay -= payout[i - W]
since = 0 if is_bonus[i] else since + 1
pct = lambda h, t: (100.0 * h / t) if t else float('nan')
print(f"模擬 {N:,} 轉,每局觸發率 P = 1/{ONE_IN} = {100*P:.2f}%")
print(f"未來 {FWD} 轉內至少觸發一次的基準線 = {100*(1-(1-P)**FWD):.1f}%")
print()
print("【事實一】未開次數越多,『下一轉』就越可能開?")
print(f" {'未開次數(相對平均)':<16}{'下一轉觸發率':>12}{'樣本':>14}")
for k in ['0.0-0.5x', '0.5-1.0x', '1.0-1.5x', '1.5-2.0x', '2.0-3.0x', '3.0x+']:
if k in f1:
h, t = f1[k]
print(f" {k:<18}{pct(h,t):>10.2f}%{t:>14,}")
print(" → 全部貼齊 P,未開次數對下一轉毫無影響。")
print()
print(f"【事實二】高『爆分潛力值』的機台,未來{FWD}轉真的比較會開?")
print(f" {'分帶':<10}{'未來觸發率':>12}{'樣本':>14} 對照隨機控制組")
for b, lbl in [('top', '極高潛力≥800'), ('high', '高潛力≥600'),
('mid', '中等≥400'), ('low', '低<400')]:
h, t = b_band[b]
ch, ct = c_band[b]
print(f" {lbl:<11}{pct(h,t):>10.2f}%{t:>14,} {pct(ch,ct):>7.2f}% (n={ct:,})")
print(f" → burst 各帶與隨機控制組都黏在基準線,看不出任何預測力差異。")
print()
if share_n:
print(f"【附帶】在被評為『高潛力(≥600)』的快照裡,"
f"平均有 {100*share_sum/share_n:.0f}% 的分數來自『未開次數』這一項。")