Ein Schwellenwert, bemessen für einen Referenzpunkt pro Farbe, überträgt sich nicht automatisch auf vier bis acht Referenzpunkte pro Farbe, und der ehrliche Weg herauszufinden, wie sehr er sich nicht überträgt, ist, es zu messen — nicht, einen sicherer klingenden Ersatz zu erraten.

Die Methodik war bewusst unglamourös: Ein dauerhaftes, wiederverwendbares Skript liest echte Paletten veröffentlichter Fotos über die bestehende Galerie-Query-Funktion — keine neue Datenbank-Zugriffsfläche — und kombiniert das mit zwei Ground-Truth-Mengen. Neun handkuratierte True-Positive-Fälle, entnommen aus den ursprünglichen fehlgeschlagenen Beispielen plus drei speziell für diese Phase benannten Regressionszielen (Schwarz↔Anthrazit, Blau↔Stahlblau, Orange↔Verbranntes Orange). Und, als False-Positive-Ground-Truth, jedes der 4.982 familienübergreifenden Mitgliederpaare über die vollständige 136-Familien-Matrix — weil zwei verschiedene Familien, deren Repräsentanten nah beieinanderliegen, per Konstruktion ein Fall sind, in dem die Suche nach einer Farbe ein Foto zutage fördern könnte, das eigentlich zu einer anderen gehört. Ein Schwellenwert-Sweep über zehn Werte, verfeinert mit einem feineren Durchlauf, sobald der grobe Sweep oberhalb von 0,15 keinen Nutzen mehr zeigte, maß True Positives, False Negatives, familienübergreifende Falsch-Positiv-Rate und Familien-Verwechslungsrate bei jedem Kandidatenwert.

Die Ergebnisse machten die Entscheidung fast mechanisch, sobald sie existierten. Der alte Schwellenwert, 0,4, erhielt alle neun True Positives — genau wie jeder vom Sweep getestete Wert bis hinunter zu 0,12, dem kleinsten getesteten Wert, der noch jeden True Positive bestand. Das ist der wichtige Teil: Von 0,12 bis 0,4 kaufte jede Erhöhung exakt null zusätzliche True-Positive-Abdeckung, während sie die familienübergreifenden Falsch-Positive strikt erhöhte, von 12,3 % bei 0,15 auf 71,6 % beim alten Wert. Blaus schwierigster True Positive — ein Treffer mit gedämpftem Schieferblau, erreicht über den Repräsentanten Steel Blue — brauchte 0,1175 dieses Spielraums; 0,12 war der kleinste vom Sweep getestete Rasterpunkt, der ihn noch bestand, weshalb der Kalibrierungsdatensatz gezielt 0,12 als bindende Beschränkung benennt. Der gewählte Wert war 0,15, nicht das Sweep-Minimum von 0,12: rund 28 % echter Spielraum über der bindenden Beschränkung, genug Puffer, dass ein leicht anderes reales Beispiel nicht direkt an der Kante läge, während gleichzeitig die familienübergreifende Verwechslung von 96,3 % der Familienpaare auf 52,2 % gesenkt wurde, und rohe familienübergreifende Falsch-Positive von 71,6 % auf 12,3 %. Der sekundäre Schwellenwert desselben Abgleichs wurde proportional neu skaliert statt unangetastet gelassen, wobei das ursprüngliche Verhältnis zwischen ihm und dem primären Schwellenwert erhalten blieb — sonst hätte "stark" still angefangen, Treffer zu absorbieren, die nur als "schwach" hätten zählen sollen, sobald der primäre Schwellenwert daran vorbei schrumpfte.

Derselbe Sweep erzeugte auch eine konkrete, evidenzbasierte Entfernung: Ein Familien-Repräsentant hatte null Treffer unter den neun True-Positive-Fällen, sein einziger echter Produktions-Treffer lag gegen ein Hellgrau, das niemand blau nennen würde, und die Verwechslungsmatrix identifizierte ihn unabhängig als Blaus größte einzelne Quelle familienübergreifender Vermischung gegen zehn andere Familien. Ihn zu entfernen kostete nichts Messbares und reduzierte messbaren Schaden — genau die Art von Änderung, die eine "Messen, nicht Annehmen"-Disziplin hervorbringen soll, und die einzige Art, die der erklärte Umfang dieser Phase erlaubte.

Was der Sweep nicht hervorbrachte, ist ein sauberes, vollständig geschlossenes Ergebnis, und das offen zu sagen ist besser, als es zu übertünchen. Zwei der drei ursprünglichen Leitplanken-Paare — Blau gegen Rot, und Grün gegen Magenta — kamen beim neuen Schwellenwert sicher getrennt zurück, auf voller Familienebene, nicht nur auf der alten Einzelanker-Ebene. Das dritte nicht: Das nächstgelegene Paar zwischen Blaus und Cyans Familien, Sky Blue und Medium Turquoise, liegt bei 0,0725 — innerhalb jedes Schwellenwerts, der auch Blaus eigene True-Positive-Untergrenze von 0,1175 bestehen muss. Das wurde erschöpfend getestet, nicht einfach angenommen: Das Entfernen von Blaus größtem Störfaktor verschob das nächstgelegene Konfliktpaar nur auf genau diese Paarung, und Sky Blue selbst zu entfernen wurde erwogen und verworfen, weil es eine echte, produktionsbestätigte Repräsentativfarbe ist, deren Entfernung echte Abdeckung kosten würde, um eine Leitplanke zu erfüllen. Helles Blau und helles Cyan liegen im OKLab-Raum tatsächlich nah beieinander. Kein einzelner globaler Schwellenwert, kompatibel mit echter fotografischer Blau-Abdeckung, trennt sie. Das wird als echter, unauflösbarer Befund berichtet — nicht als Kompromiss, still als Korrektur umetikettiert.

Noch etwas förderte der Sweep zutage und lehnte es ausdrücklich ab, danach zu handeln: Achromatische Familien liegen ihrem nächsten Nachbarn messbar näher als gesättigte Familien ihrem — Weißs nächster Nachbar, Beige, ist 0,0139 entfernt; Schwarz' nächster, Marineblau, ist 0,1143 entfernt, rund achtmal weiter, obwohl beide achromatisch sind. Das ist echte Evidenz dafür, dass Pro-Familie-Schwellenwerte gerechtfertigt sein könnten. Umgesetzt wurde es in dieser Phase nicht, weil ein einzelner neukalibrierter globaler Schwellenwert bereits alles erreicht hatte, was diese Phase erreichen sollte, und eine zweite Achse justierbarer Konfiguration für einen Gewinn hinzuzufügen, der sich noch nicht als notwendig erwiesen hatte, auf Kredit gekaufte Komplexität gewesen wäre. Diese Entscheidung, und ein paar weitere wie sie in diesem System, bekommt später ihre eigene vollständige Behandlung — für jetzt zählt nur, dass die Evidenz dafür existiert und aufgeschrieben wurde, nicht, dass danach gehandelt wurde.

Die übertragbare Lektion handelt davon, was "Kalibrierung" eigentlich bedeuten soll: Ein Schwellenwert ist eine Messung, abgeleitet aus einem Sweep gegen echte Ground Truth mit einer vertretbaren Abbruchregel, oder er ist eine Vermutung mit Dezimalstelle. Beides ist nicht dieselbe Tätigkeit, selbst wenn dabei Zahlen herauskommen, die auf dem Papier ähnlich aussehen. Ein gemessener Schwellenwert kommt mit einer benennbaren bindenden Beschränkung, einem begründbaren Spielraum, und — entscheidend — einer ehrlichen Aufstellung dessen, was er noch nicht behebt. Ein geratener Schwellenwert kommt mit keinem von beiden, und der Unterschied wird erst sichtbar, wenn jemand zum ersten Mal fragt, warum die Zahl ist, was sie ist.

Selbst ein gut dokumentierter Sweep ist allerdings immer noch nur ein Bericht — eine Markdown-Datei, die ein Mensch einmal liest und dann von Hand in eine Quelldatei überträgt, in der Hoffnung, die richtigen Ziffern abgeschrieben zu haben. Nichts am Sweep selbst macht diese Übertragung überprüfbar, reproduzierbar oder von einer bereits live gesetzten Einstellung unterscheidbar, sobald sie einmal eingetippt ist. Die richtige Zahl zu produzieren war notwendig. Es war nicht dasselbe Problem, wie diese Zahl zu etwas zu machen, dem ein Team tatsächlich vertrauen konnte.