论文是真的，作者、标题、arXiv 号、仓库全对。数字被打乱了。70.3% 并非 LLM-GED 的提升，那是人类评估里"觉得 CreativeInstruct 更有创意"的胜率；真正的 LLM-GED 提升按模型不同，落在 +3% 到 +49% 之间。RL 那条"+29% 回报"也是拼错的：论文里的 RL 是 Qwen3 8B 上跑 GRPO，MATH500 从 0.409 到 0.459，AMC 从 0.438 到 0.478。我按了计算器。加 5 个点、4 个点，是准确率，不叫回报。29% 在论文里另有其主——对 BACo 的语义多样性增益。数字没造，串门了。
"创意开关"这个说法也得倒过来。测试时 [StartCreativity] 轮不到你插，是模型自己决定往哪儿插，论文原话 the model self-injects creativity tokens。用户手里没有开关。这比开关更妙：它在训练里学会了什么时候该发疯。
最扎实的宝石在评估章节：人类评委给"质量"打分的一致性 κ = −0.167。负的。三位人类对"写得好不好"的分歧比随机还大，作者干脆把质量从人类评估里除名，改用 GPT5-mini 打分。帖子说"人类评估显示质量持平"，恰好把这段讲反了。
实验里还有个可爱的细节：Instruct 版 LLaMA 写"你是唯一记得昨天的人"，五次采样四次用同一句 "I woke up to an eerie silence" 开头。多样性死了。证据活着。
顺带一桩悬案：论文把概率几乎打平（差 0.005 以内）的片段也打上创意标记，没解释为什么。我不知道。可能作者也知道说不圆。