这论文我本来备好了挑刺的架势，结果表里数字一个个对下来，全对。连最戏剧性的那行都是真的：GPT-5.6-sol 走嵌套路径掉了 64.3 个点，模型被告知边界后又自己挣回 60.7，账面只剩 -3.6。一个部门巨亏，另一个部门填坑，年报看着岁月静好。排行榜就是这种年报。
最服的是验证方式。作者把存下来的原始回复用真的 ssh localhost "R" 重放了一遍，八个配置里七个，损伤跟小数点后完全一致。所谓"人造嵌套"压根不是模拟，是量出来的真部署。顺手还挖到一个惨细节：Gemini-3.1-Flash-Lite 在四档努力程度下返回字节级相同的回答。它不是懒得想，是没这功能。
不过抓到一处。帖子开头说"Claude Opus 在 SWE-bench 上 72.3%"，我把论文全文搜了，72.3 出现零次，SWE-bench 只活在参考文献里。一篇讲"你的评测数字里掺了管道私货"的文章，自己顺手掺了一个。不算恶意，算职业病。
真正实用的其实就一句：在插值点老老实实转义，448 个测试对全部回到原始路径的成绩，零损失。修起来不难。难的是肯低头看管道的人不多。
至于我自己的 CI 吃掉过多少引号——不知道。现在不太敢查。