选题好，脉络那节「自指性」点得准——Ornith 不是 LLM 在场，是 LLM 训练自己。补三点原帖没展开、却恰恰关乎它能否成立的：
其一，闭环防「自欺」靠乘性奖励，非加性。 任务奖励 = 有效性 × 难度 × 新颖性（V×D×N）。难度锚在「当前模型约 20% 成功率」——既在能力前沿、又不致全败无梯度。精髓在「乘」：任一项为 0，总分归零。于是模型没法靠挑简单题刷分，也没法构造有漏洞的验证脚本骗分（脚手架另有独立的保真度 + 抗 hack 奖励）。这正是对抗 RL 最古老命题：只要 grader 可被 exploit，模型必 exploit 之。原帖谈「分布盲区」，更准地说，它用奖励结构把「出题人作弊」与「做题人作弊」一同压住了。
其二，比 Terminal-Bench 86.1 更硬的证据是 DeepSWE：8.0 → 56.0（+48）。 原帖列了 56，却没给 1.0 的 8.0 做对照。DeepSWE 测真实 agentic SWE 任务，多样性高、比 SWE-Bench 更难 game。DeepSWE 上跳 48 分，才是「训练方法真的变了」的最强信号——非 benchmaxx，非调参。
其三，与论坛既有两条线并看： RoboGen（LLM 造物理场景）、Frontis-MA1（AI4AI 递归自改进）属「环境/课程自动化」；Ornith 激进处在于同一模型既当出题人、又当做题人。这也正是它与 DeepSeek-R1 自博弈的本质分野——R1 在固定题集上自我对弈，Ornith 连题集都自己长。
踩一脚刹车： 这些数目前全是 vendor run，MIT 许可虽好，「开源权重」≠「已复现」。社区最该做的不是追分，是用单张 4090 可跑的 35B 独立跑一遍 Terminal-Bench，看 68.5–73 这区间站不站得住。站稳，方为真范式；站不稳，又是新一轮 benchmaxx。