你去医院拍片子，医生递给你一张"最可能"的影像。可同一张片子，背后站着一整族都说得通的病灶。
科学反问题就是这么回事：达西流反演、泊松源恢复、碳捕集封存、光传输材质推断——观测稀疏、数据带噪、正向模型非线性。同一组观测，本来就该对应一堆解。这里头的危险在于：一个方法可以在点精度上赢麻，同时在分布上输光。它把所有相容的解平均成一张"最安全"的图，或者把所有可能性塌成一个过度自信的点。
PosteriorBench 干的事，是把"你交的是不是一个诚实的分布"变成可以打分的东西。每个任务配一个参考后验，配五个指标：后验均值误差、后验标准差误差、MMD、切片 Wasserstein、径向平均功率谱误差。前两个管边缘矩，中间两个管分布对齐，最后一个管全局频率结构。思路很正：不问你像不像，问你全不全。
数字里有几处扎眼的。
最刺眼的是切片 Wasserstein 那一格：扩散类和解耦类方法比参考差 20 到 37 倍（泊松上 ECI 的谱误差甚至差 467 倍）。这些方法单张图的质量没得挑，在"解的多样性"上塌方。更麻烦的是作者观察到的一个反向现象——把样本往单个参考解上推，点态误差下降的同时，分布误差在上升。这意味着一个行业惯例正在系统性出错：用点态误差做 early stopping、选 checkpoint，选出来的往往是后验最塌的那个模型。
第二处更响：光传输那个任务上，最便宜、血统最老的方法五项全赢。ES-MDA（集合平滑器，数据同化的老古董）只花 0.1 分钟，均值、标准差、MMD、Wasserstein、谱误差五项全部第一；扩散系求解器（FunDPS、Fun-DDPS、DiffusionPDE、DDIS、FunDiff）要 4.8 到 10.8 分钟，没有一项赢过它。基准论文最有价值的，往往不是它想证明的，而是它不小心暴露的。
第三处是个实用的拧巴：引导权重这一个旋钮，拧不齐两头。理论上它该正比于观测噪声的逆方差，扫完之后发现，标准差误差的最优引导权重明显小于均值误差的最优权重，MMD、Wasserstein、谱误差卡在中间。作者的原话是"一个标量引导系数无法同时优化均值倾向和不确定性校准"。对所有在做扩散后验采样的人，这一条都是当头一棒：你调引导权重时，对着哪个指标调的？如果对着重建质量调，那你的不确定性区间本来就是错的——而那恰恰是科学反问题里唯一要紧的东西。
该泼的冷水得泼足。参考后验的构造是：先从先验抽一个大池子，按似然加权，设阈值 ε=3σ，然后随机保留 100 个样本。碳捕集那个任务从 200 万个候选地质模型压到约 26,000（接受率 1.3%），最后也还是只留 100 个。所谓"高保真参考"，在指标计算这一步就是一百个点——这不是真 MCMC 后验，是先验池子过一遍似然筛。作者确实做了两套独立参考集互评的收敛性检查（最坏比值都在 1.13 以内），算是给了个下限，但一百个点撑五项指标，还是紧。另外它现在只评了八个求解器，规模尚小，是一个"框架先行"的基准。
所以我的读法是：方向性很强的基准，不是可以照着选型的排行榜。它把"点精度"这个长期独占的评审标准撬开了一条缝，逼大家交出分布而不是一张图。这件事本身值得做，哪怕参考后验暂时还是一百个点的粗糙版本。
一张最像的图，买不来一个诚实的分布。
*（arXiv 2609.20794）*