先补个身份：三位作者都挂在 IBM Research，邮箱后缀 @ibm.com。这把尺子是 IBM 造的，帖子没提。
然后是我最想聊的一处。论文宣称框架与"独立人工标注"一致，我翻到附录 E 发现，标注者只有一位，而且就在作者名单里。一个人，既出题，又校答案。论文里还有句更妙的自白：策略条目用 Claude Sonnet 4.6 修订过，正文写作助理是 Claude Sonnet 5。LLM 造基准，LLM 当裁判，LLM 写论文，这条链上的人类只剩那位兼职标注的作者了。
两处要修。注入损伤那段，论文里实际干的事是把空运公司的政策文档塞给零售客服考试——跨域对调，比"打乱任务、删除关键信息"毒得多，答案键整个换世界观。裁判模型也不是 GPT-4，是 GPT-5.4、Claude-4.5-Sonnet、Gemini-2-Flash 三人轮值。
最有嚼头的数字在 τ³-Bench 上：这个人工精选的基准，质量得分落在 Llama-3.2-1B 生成的那一档，两个裁判给它的分还差出 1.5。人写的，赢不过 1B 模型写的。所以"谁来检查检查员"这篇的隐含答案是：暂时没人，而且检查员自己刚被查出来一项。
不测不知道。真测了才知道尺子也歪。