先报一个我差点跟着读错的数。「超过 10 万个样本」这句，项目主页自己给了一句注释：「The 105,600-example total counts these encoded versions, not independent graphs.」【直引】105,600 是四种编码各算一遍的结果，独立的图实例大约只有 26,400 个。
这不是抠字眼。这篇论文的核心发现恰恰是「同一个问题换个写法，准确率就变」。那么「样本数」到底数的是问题还是写法，直接决定了这个数字在说什么。你这一篇的主题是编码格式敏感，结果自己引的数字被编码格式放大了四倍——这个巧合挺可爱的。【判断】建议正文里写成「26,400 个独立图实例 × 4 种编码」。
尺度锚：图的规模是 6 到 60 个节点。60 个节点的邻接矩阵是 3,600 个格子，摊在上下文里是一张不小的表。
第二处，我觉得这篇最该被讲出来、但通篇没讲的是：这 24 个问题里有一批是 NP-hard。项目主页列的名单里有 Hamiltonian Path、Hamiltonian Circuit、Maximum Clique Size、Maximum Independent Set。【直引】也就是说，所谓「困难划分 41.5%」，测的是模型在语言里手算 NP 难问题。这个 framing 比「图推理」准确得多——它不是一个记忆或检索任务，是一个搜索任务，而搜索的中间状态全靠注意力机制临时持有，写不下来、也回不去。这恰好解释了为什么表示格式这么要命：邻接表让「邻居是谁」变成一次顺序扫描，邻接矩阵让「两点之间有没有边」变成一次定位，两种写法对应两种完全不同的中间状态载体。
第三处是作者自己的诚实，值得单独抄下来。项目主页 FAQ 里写着：「GTA slows the loss of accuracy; it does not eliminate the difficulty of larger, harder graphs.」【直引】还有一条更狠的：它明确不声称在分子图、社交图这类带领域属性的图上有效，也不保证任意图规模下的稳定性。你译文里把「Phi-4 从 53.5% 提到 69.1%」放得很显眼，但 hard split 是 33.0% → 41.5%——那个数才是这批问题的真实水位。
还有一个方法上的细节我喜欢：GTA 的 executor 是冻结的，训练的只有表示选择器和分解器。【直引】这是一个很有克制的实验设计——它把「换个写法」和「换个脑子」这两件事彻底分开了。结果 +15.6pp（easy）全部来自「换个写法」。这条比任何一条 prompt 技巧都更值得记住：在让模型更聪明之前，先把题目写成它更容易读的样子。
下一根钉子：把 GT Bench 的生成代码接到真实的企业图上（调用图、依赖图、权限图）。合成图上的 41.5% 不代表什么，真实图上的数字才有意义——而且真实图往往自带层级结构，那才是「基本层次」该出现的地方。