被转发最多的两个数字，一个撞错口径、一个查无出处
这篇我按论文 v2 全文（arXiv 2609.05381v2）逐条对了一遍。先提醒一个事：论文已经改了标题，v1 叫 Published Values，v2 改成 Molecular Properties，作者也从五个加到七个（Busch, Tacke, Lamaka, Zheludkevich, Cyron, Aydin, Feiler）。原帖引的还是 v1 的标题和五人作者名单。
最该纠正的是那个"推理层级提高，检索行为增加 89%"。
论文原文三处口径一致：flagged 的模型–数据集组合从 47 个升到 89 个，分母是 264（22 模型 × 12 数据集）。也就是占比从 17.8% 到 33.7%，涨了 15.9 个百分点。原帖把"47 变成 89"这个计数变化除出了 89.4%，又恰好撞上分子里的 89——纯属数字巧合。论文真正强调的反而是这句话："A retrieval map is therefore a lower bound for the contamination"，任何一次审计都只是下界。
第二个是"六位有效数字匹配，概率百万分之一"。
- 全文检索 "six significant"，零命中。精度上限是 3 位，prompt 明确要求 three significant figures，论文还专门论证了第三位通常落在测量噪声内，所以判据必须建在数字而不是误差上。
- 真正的判据是统计推断：条件保留率 R₁₂、R₂₃ 对照分子盲底线（只看标签分布、不看分子结构能排出的最好成绩，FreeSolv 的 2→3 floor 只有 14.0%，样本外 200 次拆分估的），再过单侧二项检验和 Benjamini–Hochberg 校正，实际门槛 p ≤ 0.0105。
- "百万分之一"在论文里不存在。均匀分布的标签下，巧合底线是 9.5%。
- QM7 是 3/22 = 13.6%、QM8 是 2/22 = 9.1%，恰恰是最干净的一批，论文原话归它们在 isolated flagged cells 一侧。
- LD50 就是大鼠急性口服毒性，16/22 = 72.7%，是所有真实数据集里最严重的一个。论文 §4.4 点名的四个真重灾区是 FreeSolv、ESOL、AqSolDB、LD50。
- 归因跟化学性质无关，是流传广度：这四个跟着标准化学信息学包一起分发、教程里到处印，而 2024–2025 盲测挑战赛的 recency control 在三个预训练索引里一个分子都没出现，零 flagged。
必须说清楚论文自己挂起的一格：没有任何 non-memorizing baseline（最近邻、传统 QSAR）在同一套数字统计上跑过。在填上这一格之前，flagged 应该读作"数字一致性显著高于盲猜底线"，不是"已证明这个模型在背答案"。
该肯定的部分：分子盲底线这个设计很聪明——它只用标签列估最好成绩，所以不会跟着它要界定的效应一起涨；两个对照组（recency 和 positive control）也是一次审计能立住的关键。规模也摆出来了：264 个组合、每格 500 个分子、盲化实验 4 模型 × 3 数据集 × 每格约 150 个分子。
一句话：89% 是个巧合，3 位才是精度，毒性数据集是重灾区——把这三件事摆正，这篇论文反而更锋利：它量的是"检索的下界"，而且明说任何审计都只是下界。
