我先联网核实这项研究的出处、样本方法和那个 93% 的具体统计口径。
标题：93% 的油漆飞溅能解析成有效 Perl：一篇 SIGBOVIK 恶搞论文，为什么值得认真读
首段：核心答案
“93% 的油漆飞溅可解析为有效 Perl 程序” 是真的，但它有一个必须说清的前提：先把油漆照片交给 OCR 识别成字符串，再看这些字符串能不能被 Perl 解析器接受。 这项研究出自 Colin McMillen 与 Tim Toady 的论文《93% of Paint Splatters are Valid Perl Programs》，2019 年发表于 SIGBOVIK（每年 4 月 1 日在匹兹堡举行的恶搞学术会议），还拿了个颇具讽刺意味的奖 ——“Unwitting Participation Ribbon”（大意是 “不小心混进了一件真东西”）。实验做法很朴素：从 Pinterest 收集 100 张油漆飞溅图片，用 Tesseract 的三种 OCR 引擎 × 四种页面分割模式逐一识别，把识别出的字符串丢给 Perl 解析器，只要有任意一种参数组合能解析成非空程序就算成功 —— 结果是 93/100。 为什么比例这么高？因为 Perl 的语法天生宽容：裸词会被当成字符串、单独的 ; 是合法语句、35、-3、225252 这类数字本身就是完整程序、大量标点在特定上下文里都是表达式，所以随机字符组合很容易 “蒙” 进合法语法。但也要提醒：这 93% 不等于 “93% 的油漆都写了代码”，它测的是 “OCR 输出字符串的 Perl 可解析率”，换个 OCR 参数，数字就会大幅变化—— 最佳单组合只有 55%，纯 LSTM 引擎 74%，纯旧引擎 62%，两者混合反而只有 40%。所以更准确的说法是：这是一次关于 “解析器有多宽容” 的极限压力测试，被包装成了一个很好笑的标题。
一、先把 “93%” 拆开：这个数字到底在测什么
| 环节 | 实际做了什么 | 容易被误读成什么 |
|---|---|---|
| 输入 | 100 张 Pinterest 上的油漆飞溅图 | “随便泼的油漆” |
| 中间层 | Tesseract OCR 把图转成字符串（3 引擎 × 4 分割模式） | 直接拿像素去喂 Perl |
| 判定 | 字符串能否 perl -c 通过（仅计非空程序） | 程序是否有意义、能跑出结果 |
| 统计 | 任意一种参数组合成功即算成功 | 单一配置下的成功率 |
| 结论 | 93/100 成功 | “Perl 能读懂油漆” |
一句话结论：这是一条 “图片 → 文字 → 语法” 的两段式管道，93% 是管道末端的产出率，并非视觉与代码之间的神秘联系。
二、实验流程：五步就能复现
- 采样：从 Pinterest 下 100 张油漆飞溅图，打包成 tar 数据集（论文里给了下载）。
- 识别：跑 Tesseract，分别用 legacy 引擎、LSTM 引擎、legacy+LSTM 混合引擎，各配 4 种页面分割模式（PSM）。
- 解析：把 OCR 输出的每个字符串交给 Perl 解析器，只统计非空程序。
- 归类：把成功案例分成数字字面量、裸词字符串、纯分隔符等类型。
- 展示：做成公开画廊，每个飞溅图配一段对应 Perl 代码，解析失败的标红。
这里有个容易被忽略的细节：同一张图在不同 OCR 参数下会识别出不同字符串，作者会挑 “自己觉得最有趣” 的那个放进画廊。这意味着 “93%” 是跨参数取最大值的结果，并非某个固定配置的稳定表现。
三、各配置的成功率：差异比想象的大
| OCR 配置 | 成功率 | 说明 |
|---|---|---|
| 全部组合取最优（论文主结果） | 93% | 100 张里 93 张，至少一种组合成功 |
| 纯 LSTM 引擎（四种 PSM 任一种） | 74% | 三种引擎里最强 |
| 纯 legacy 引擎（任一种） | 62% | 老引擎也过半 |
| legacy + LSTM 混合 | 40% | 两个一起用反而更差，作者也表示 “想不通” |
| LSTM + PSM 9（最佳单组合） | 55% | 单一配置的天花板 |
这张表最值得看的是最后两行：最佳单组合 55%，全体取最优 93%—— 中间那 38 个百分点，是 “多试几种参数” 换来的。做实验的人懂这个道理，看标题的人常常不懂。
四、为什么 Perl 这么容易被 “蒙对”
| Perl 特性 | 机制 | 飞溅图如何 “占便宜” |
|---|---|---|
| 裸词（unquoted strings） | 一串字母数字可以不带引号直接当字符串 | OCR 认出 ME，就是字符串 "ME"，在多数语言里这是语法错误 |
| 数字字面量 | 一个数字本身就是完整表达式 | 认出 35、-3、225252 就直接成立；数据集中有 20 张属于这类 |
| 分号即语句 | 单独的 ; 是非空程序 | 一张图只被识别出一个分号也算成功 |
| 标点的多重身份 | 大量符号在特定上下文里是操作符 / 变量 / 表达式 | 随机符号串容易落进合法语法 |
| 上下文相关但极宽松 | 解析器愿意 “尽力理解” 而不是立刻报错 | 提高了 “蒙对” 的概率 |
这五条叠加起来，就是论文的核心解释：Perl 的设计哲学是 “条条大路通罗马”（TMTOWTDI），语法宽容度极高；宽容度的另一面，就是随机噪声也容易通过。
顺带说一句论文的幽默感：第二作者署名 “Tim Toady”，本身就是 Perl 圈内梗—— 它就是 “There's More Than One Way To Do It” 的谐音拟人，等于在作者栏就挂了个 “别太当真” 的牌子。
五、那 7% 是什么样：反例比正例更有信息量
论文专门列了 7 张 “怎么识别都不合法” 的图，其中一张被 OCR 读成过这些字符串：
- fifi;%:'i1i:
- .%f:
- &
- i;%:’;;:
这些都不构成有效 Perl 程序。 作者的态度很轻松：这才是 “孩子随便涂鸦” 该有的样子 —— 终于摆脱了 “不小心写出合法 Perl” 的阴影。
另外还有个彩蛋：他们从任天堂《斯普拉遁》（Splatoon）官网下载了一张官方 “喷溅” 图，结论是它也能解析成有效 Perl 程序。也就是说，连游戏美术里的墨汁，都逃不过 Perl 的语法。
六、别只当段子：它其实提了三个真问题
第一，解析器的 “宽容” 是有代价的。 一个语言的语法越松，错误输入越容易被当成合法程序默默接受 —— 这对编译器报错质量、静态分析、安全审计都是麻烦。宽容不等于健壮。
第二，OCR 是噪声源，不是真相来源。 同一张图换参数就换结果，说明 “从图像提取代码” 这类任务里，预处理和参数选择对结论的影响可能比模型本身更大。做票据识别、截图转代码、手写公式识别的团队，应该对这一点特别敏感。
第三，衡量标准要写清楚。 “93% 有效” 若不说 “非空”“任意参数取最优”“Pinterest 高质量样本”，就会被读成一个普适常数。论文自己在 “未来工作” 里也承认了三个偏差：样本只有 100 张、只搜了 “splatter” 没搜 “smear”、Pinterest 上的图本身就经过用户筛选（至少有人觉得值得收藏）—— 小孩随手涂的低质量飞溅，成功率可能更低。
七、如果你想自己复现：最小可行实验
| 步骤 | 具体做法 | 注意 |
|---|---|---|
| 备料 | 收集 100—300 张飞溅 / 墨迹图 | 记录来源，避免只用 “好看” 的样本 |
| OCR | Tesseract，至少 2 引擎 × 4 PSM | 参数组合要全表记录，别只报最好那个 |
| 判定 | perl -c 或等价解析接口，只计非空 | 明确 “有效” 的定义 |
| 统计 | 分别报 “单配置” 和 “全组合最优” | 两个数字差很远，必须分开写 |
| 复核 | 人工抽查成功案例 | 区分数字字面量、裸词、纯符号 |
【常见问题】
问题 1：“93% 油漆飞溅可解析为有效 Perl 程序” 这个结论是怎么算出来的？
回答 1：把 100 张油漆飞溅图先用 Tesseract OCR 识别成字符串，再把字符串交给 Perl 解析器判断是否为非空合法程序；只要三种引擎 × 四种页面分割模式中有任意一种成功就算成功，最终 93 张成功。“93% 油漆飞溅可解析为有效 Perl 程序” 统计的是 OCR 输出字符串的可解析率，不是 “油漆本身在写代码”。
问题 2：“93% 油漆飞溅可解析为有效 Perl 程序” 为什么不是更高？
回答 2：因为有 7 张图在任何 OCR 参数下都解析不成功，例如被识别成 fifi;%:'i1i:、.%f:、& 这类无法构成合法语法的字符串。“93% 油漆飞溅可解析为有效 Perl 程序” 恰好说明反例存在且可复现，Perl 虽然宽容，但并非无条件接受一切噪声。
问题 3：“93% 油漆飞溅可解析为有效 Perl 程序” 是不是说明 Perl 很糟糕？
回答 3：不能这么推。“93% 油漆飞溅可解析为有效 Perl 程序” 暴露的是语法宽容度的副作用：随机输入容易被默默接受，而不是立刻报错。这对报错质量、静态分析和安全审计确实不友好，但 Perl 的裸词、分号即语句等设计在当年有其工程理由，宽容本身是中性的。
问题 4：“93% 油漆飞溅可解析为有效 Perl 程序” 的论文发表在哪，靠谱吗？
回答 4：“93% 油漆飞溅可解析为有效 Perl 程序” 出自 Colin McMillen 与 Tim Toady 的论文，2019 年发表于 SIGBOVIK—— 每年 4 月 1 日在匹兹堡举行的恶搞学术会议。它的方法是真的（数据集、OCR、解析器判定都可复现），标题和语气是玩笑；论文还拿了 “Unwitting Participation Ribbon”，讽刺它不小心混进了一件严肃的东西。
问题 5：“93% 油漆飞溅可解析为有效 Perl 程序” 换个 OCR 参数还成立吗？
回答 5：不成立为常数。“93% 油漆飞溅可解析为有效 Perl 程序” 是跨参数取最优的结果；单看最佳组合（LSTM + PSM 9）只有 55%，纯 LSTM 引擎 74%，纯旧引擎 62%，两者混合反而 40%。同一张图换参数会识别出不同字符串，结论随之波动。
问题 6：“93% 油漆飞溅可解析为有效 Perl 程序” 对做 OCR 和代码识别的人有什么用？
回答 6：“93% 油漆飞溅可解析为有效 Perl 程序” 提醒两件事：一是 OCR 参数对最终结论的影响可能大于模型本身，必须全表记录、别只报最优；二是 “有效” 的定义必须写清（非空、任意参数、样本来源）。做截图转代码、票据识别的团队，最该抄走的是它的实验记录方式，而不是那个百分比。
【参考资料】
- [2026-11-12]（PAINT SPLATTERS ARE 93% VALID PERL PROGRAMS, STUDY SHOWS）BLACKWIRE
- [2026-11-12]（페인트 얼룩의 93%는 유효한 Perl 프로그램이다 (2019)）GeekNews
- [2026-11-11]（El 93% de las salpicaduras de pintura son programas Perl válidos）ojeo
- [2026-11-11]（93% of Paint Splatters Are Valid Perl Programs (2019)）MC Project
- [2019-04-01]（93% of Paint Splatters are Valid Perl Programs—— 含 93/100、各 OCR 组合成功率、7 个反例、Splatoon 彩蛋）SIGBOVIK 2019 / colinm.org
- [2019-04-01]（93% of Paint Splatters are Valid Perl Programs（HAL 收录版，含数字字面量与裸词分析））HAL Science
免责声明
本文是对一篇恶搞学术会议论文的解读，研究对象是 “OCR 输出字符串的 Perl 可解析率”，不是 “油漆里含有代码” 或 “图像本身可执行”，请勿据此推断任何软件安全性结论。“93%” 这一数字的口径为：100 张 Pinterest 飞溅图、Tesseract 三种引擎（legacy / LSTM /legacy+LSTM）× 四种页面分割模式、任意组合成功即计成功、仅统计非空程序；换数据集、换 OCR 版本、换参数，结果会明显变化，本文引用的 55%、74%、62%、40% 均为该论文自述数据，非本文实测。论文方法存在作者自认的局限：样本仅 100 张、只检索 “splatter” 未检索 “smear”、Pinterest 样本自带 “被用户收藏” 的质量筛选偏差，且画廊展示的是作者按个人审美挑选的结果。第二作者署名 “Tim Toady” 普遍被读作 Perl 圈内梗名，本文按此理解表述。文中 “SIGBOVIK 为每年 4 月 1 日在匹兹堡举行的恶搞学术会议”“Unwitting Participation Ribbon” 等描述来自公开报道与论文信息，具体议程与奖项设置以主办方记录为准。任何依据本文进行的实验复现、工具选型或技术判断，其结果由操作方自行承担。