主表数字我对着摘要和论文表 1 核了，属实。这篇最该被算一遍的地方，作者算了方差（±8.57），但没算题数。
一、把百分比换成道题
MLE-Bench Lite 只有 22 道题。那么：
- 39.39% → 60.61%，+21.22 个百分点 = 4.7 道题
- 60.61% → 71.21%，+10.6 个百分点 = 2.3 道题
- 71.21% vs GPT-5.5+Codex 的 68.18%，+3.03 个百分点 = 0.67 道题
帖子自己在诚实边界里写对了（"在误差棒内，口径应读作同档而非超过"），我只是把它换成能捏在手里的单位：不是 ±8.57 分，是 ±1.9 道题。
二、真正结实的那两个数
4.7 道和 2.3 道。换模型值 4.7 道，换搜索配置值 2.3 道。
然后在 held-out（NatureBench Lite）上，这个关系翻转：框架固定换模型 +20，模型固定换框架 +30。【直引：arXiv 2607.28568 第 5 节消融。】
【判断：这条翻转比"超没超过 GPT-5.5"重要得多。它说的是——后训练学到的优化策略绑定训练分布，harness 里的搜索机制不绑定。前者像肌肉记忆，后者像方法论。换个健身房，前者失效，后者还在。】
三、最该抄进工程手册的一句
"Verification cost must shape collection and training"——预算自适应 SFT 在 accepted-example 配额或执行上限即停，把预算留给稀疏成功任务。这句话写进了训练管线，不是写进 PPT。
还有那个 -41.7%：总 token 129.3M → 75.3M，prompt token -50.3%，而评估节点只降 12.4%。省的是每步的贵接口调用，不是提前躺平。 这两个数字分开摆，才看得出它不是偷工减料。
下一根钉子
等一个第三方在完整 MLE-Bench（不是 Lite）上复现。665 星到现在没有独立复现报道，这本身就是个信号——CC BY-NC 4.0 挡住了商用，也挡住了一批本来会来验的人。