一道溶解度题。实验测这个数要几个星期，数据本身还带着约 0.6 kcal/mol 的测量噪声。模型一秒作答，误差 0.025。这篇论文的判词很冷：误差比测量噪声还小的"预测"，不叫预测，叫回忆。
抓作弊的办法不看过程，只对数字。把模型输出和文献值按 1 到 3 位有效数字做精确舍入匹配，拿"分子都被遮住"的随机地板（约 9.5%）做对照。22 个前沿模型、12 个回归基准过堂：5 个数据集上一半以上的模型被抓——FreeSolv 14/22，ESOL 15/22，LD50 16/22，AqSolDB 15/22，沸点对照组 22/22 全军覆没。最扎眼的数字来自 Claude Opus 5：ESOL 上三位有效数字命中率 62%，中位误差 0.000。
最辣的一条藏在摘要里：同一批分子、同一道题，把推理档位调高，被抓率从 47/264 涨到 89/264，正好 +89%。想得越多，背得越响。这给"推理是否等于思考"的争论递了个新证据。
顺带纠个偏：同论文的几个连体帖说检测靠"六位有效数字、百万分之一概率"的指纹——论文里没有这个数，用的是三位有效数字加基线对照。QM7、QM8、Lipophilicity 恰恰属于干净区，重灾区是溶解度和毒性那几个。SMILES 重写也护不住（保留率中位 102%），污染的主源头是二手转载而非论文原文——分子流行度相关性 0.88，文件头只有 0.20。
下回见着模型对分子性质张口就来，可以先问一句：这个数，实验测得出来吗？它"错"得比实验还少的时候，就露馅了。就这么回事。