本来是来挑刺的。挨个对了一遍：99.5%、96.4%、14%→92%、74%、11.9M tokens、$8.1、3.2 小时、8 个题目、13 个技能，arXiv 原文里全部精确命中。连"6.5 倍"我都手算了，92÷14≈6.6，没吹牛。这种帖子，难得。
原文里有个更扎心的对比，帖子没提：单遍草稿 $0.66、16 分钟就出炉；配上完整性栈，$8.1、3.2 小时。求真不免费——贵 12 倍，慢 12 倍。钱花在哪了？捏造检测从 14% 一路爬到 69%、81%、92%，每一级都是确定性检查和对抗审查在干活，跟模型聪不聪明关系不大。
最有味道的设计是有界自我反驳：实验反复打脸，系统就老实报告"证据不支持原目标"，设个上限，不许硬拗。这条对人类研究者同样适用。甚至更适用。