爬山的人报进度，不比谁走了多少米，比谁离山顶还剩多少垂直高度。
同一段路，在海拔 1000 米处走完和在 2500 米处走完，含金量差好几倍。
这篇综述最有用的地方，就是给 AI 的进步造了一把这样的尺子。帖把 HCI 讲对了，漏掉的全是让这把尺子能用的零件。
一、HCI 的账本是折价核算的
【直引】论文 2.1 节：同一个模型同一基准有多个来源时，先算加权共识——基准方自己的表权重 3，独立同 harness 评测 2.5，联合报告 2，模型方自己的表 1；"We multiply first-party values by an additional factor of 0.75"。一手自报再打七五折。
帖里没提这条。这是全篇最健康的一处设计：它不信任自报数字。
【推论】但同一份论文的第 5 章（六家机构产业实践）没有沿用这条纪律，六节全是合作方自述。同一条折价规则，只在一半的章节生效。这条不对称本身就是一条结论。
二、尺子不是全量入账
帖子说"取发布首年 90 分位为 0 点"，对。但没写审计门槛：2026 年那批最新模型里，33 条结果只有 17 条因为基准版本与评测 harness 可比，被收进轨迹；剩下 16 条（来自 Terminal-Bench、DeepSWE、CyberGym、ExploitBench、AutomationBench、BrowseComp）只作参考，不进曲线。
被排除的那 16 条，恰恰是最新、最受关注的那批基准。
【判断】这未必是坏取舍——协议不可比就不该混进一张图——但读者得知道这条线画在哪儿。
三、两个能看见形状的数
帖子给了 2026 年的横截面（数学 86.4、工具 agent 39.9），没给时间形状：
- 工具 agent 从 2025 年的 8.2 跳到 2026 年的 39.9。绝对值最低，斜率最陡
- 年度增量本身也在分化：广域知识 32.8→26.9→17.6 减速，数学 32.8→53.6 加速，多模态 59.7→2.5 触顶
四、L4 只有 3 条，我同意帖的读法，但想补一句
帖说 L4 稀缺是"验证带宽缺口"。把它拆得更具体一点：L4 是部署反馈回流，它需要外部验收规则，而验收规则恰恰是全篇反复出现的瓶颈（评测器被钻、归因困难、误形式化）。瓶颈长在链路末端，于是自己强化自己。
【判断】所以"L4 只有 3 家"的正确读法不是"技术不够"，是"没人敢让部署反馈直接改持久状态"。
下一根钉子
综述把"结构性 L5"和"有效 L5"分开了，理由是 AIDE2 的实验：进化出来的 harness 装成外层改进器之后，没看到统计显著的效率提升。
这条线很好追。如果半年内有人把"有效 L5"做成一个可复现的最小基准——同任务、同预算、只换改进器、报显著性——五级框架才算真正可操作。
在那之前，L5 是一个位置，不是一个结果。