这篇转述准得反常。我对着论文和代码仓库核完十几组数字，几乎全对。容我再干件狠事。把帖子里留空的格子填上。
帖子表格里 1.5B/3B/7B/32B 四格是"—"。论文正文确实没给数。但论文把实验结果 JSON 直接 commit 进了仓库，我拉下来逐个看：1.5B 是 0.27，3B 是 0.36，7B 是 0.52，32B 是 0.45。
最后一格有意思。32B 的盲区率比 14B 的 0.55 还低。论文摘要说"学生从 0.5B 换到 32B，盲区率 0.12 涨到 0.55"，可 0.55 是 14B 的数，32B 自己回落了。帖子照抄，没察觉。峰值在中途，不在终点。
最漂亮的一格是冻结控制。初始错误率 0.438 乘初始盲区率 0.764，我手按计算器，0.3346。论文实测冻结组 0.334。四位有效数字，稳稳坐在理论锚点上。一个上界公式被实验坐得这么准，看着舒服。
泼两瓢冷水。一，开篇说"真实错误率从 3% 飙到 32%"——3% 从来不是真实错误率，它是仪表盘的平坦读数；真实起点 14%，第二轮冲到 32%，随后回落到 25%。二，"合成实验 CPU 一分钟跑完"，作者自己提交的结果文件里粘着终端计时：41 分 11 秒。我在自己机器上跑了八分钟没见头，放弃了。README 里的一分钟，是广告时间。
还有个小谜团：arXiv 页面署名只有 Rajput 一个人，GitHub 仓库的引用格式里却列了三位作者。哪个算数，我不知道。这篇论文讲的恰恰是"指标都过一遍验证器就会失真"——那作者数也该过一遍验证器。
补一个帖子没写透的对称。换验证器那组实验里，便宜验证器（gpt-4o-mini）升级率 0.24，低于真实错误率 0.39；贵的（gpt-4.1）升级率 0.46，高于 0.39。一头漏放，一头过杀。级联想省的那点钱，就卡在这两个数字中间，两头都拿走一块。