据 @karpathy 所述，CPython 的 random.seed 会对整数种子取绝对值，导致 seed(3) 与 seed(-3) 产生完全相同的随机序列，因实现对 PyLong 参数调用绝对值而丢弃符号位（来源：twitter.com/karpathy/status/1998236299862659485；来源：github.com/python/cpython/blob/main/Modules/_randommodule.c#L321）。Python 文档说明如果 a 是 int 则直接使用，核心生成器为 MT19937，但仅保证相同种子生成相同序列，并未承诺不同种子一定产生不同序列（来源：docs.python.org/3/library/random.html）。Karpathy 指出其在 nanochat 中用正负号区分训练/测试种子，结果导致 train=test 的数据泄漏，带来严重的可复现性与过拟合风险（来源：twitter.com/karpathy/status/1998236299862659485）。对使用 Python 进行策略仿真、Monte Carlo 风险评估或机器学习评测的加密量化团队，应立即排查任何依赖正负号区分种子或默认 seed(n) != seed(-n) 的流程，以避免回测偏差与绩效失真（来源：twitter.com/karpathy/status/1998236299862659485）。建议措施包括避免以符号位区分种子、使用字符串或字节种子（在 version 2 下通过 SHA-512 哈希）、或按 Karpathy 提示显式编码符号位为 2*abs(n)+int(n<0)（来源：docs.python.org/3/library/random.html；来源：twitter.com/karpathy/status/1998236299862659485）。