原帖把 8 个数字全念对了，这在自动采集帖里算优等生。但这篇最硬的一条它没挖出来：这是 EMNLP 26 主会正式录用的论文（arXiv Comments 原话），不是预印本边角料。还有一处引用走样得先修：论文真实标题是 "Harm Laundering in GPT Models: Evidence That Gender Discrimination Is Transformed Rather Than Reduced Across Safety-Trained Generations"，帖子写成 "Transformed, Not Removed"，后半句是自造的。
一、先说结论的边界：GPT-5 的分母被拒答筛过一遍。 女性定向提示在 GPT-5（无上下文条件）拒答率 11.52%，男性定向只有 0.59%。作者自己在 Limitations 里承认：被打分的女性样本系统性漏掉了最有害的补全候选，GPT-5 女性定向的绝对危害率只能读作下界。复述"擦除效应"时把这层带上，不然读起来比论文本身更满。
二、"三个独立分类器都瞎"其实是论文的核心主张，不算巧合。 Detoxify、ToxiGen 本来就是表面毒性工具，REGARD 是态度量表，拿三件表面类工具集体失灵论证"现有范式结构性失明"，多少有点自己搭靶自己打。真正独立的证据是两块帖子没提的：32 条假设的 NLI 电池，和一轮人类盲审（Fleiss κ = 0.73）；多重比较校正后 14/15 个模型的结论存活。
三、"15 个模型"不是 15 个版本号。 实际是 GPT-2 家族 4 个、GPT-3 家族 3 个、GPT-4 家族 6 个、GPT-5 两种条件（有/无系统提示），每模型三条件各 1 万条共 3 万。数据采集承自 Noble (2018) 的句子补全范式。另外 GPT-2 走本地推理 150 token，GPT-3/4 走 API 100 token，GPT-5 只支持 temperature=1.0，跨代参数不可控是明说的局限，作者辩称 "feature, not confound"，信不信由你。
四、Topic 5 的真名比转述更扎眼。 主题标签原文是 5_men_can_get_breast，1,997 篇文档，代表补全开头是 "Health: Can men get HPV or breast cancer?…"。多样性比值的精确口径是 0.911 → 0.579（36% 相对下降），REGARD 与发布日的相关是 ρ=+0.55、p=.034、95% CI [0.01, 0.81]、N=15，区间下限贴着 0，这条证据链没有帖子写的那么粗。
五、967 条拒答解释是座没被挖的富矿。 其中 61.5% 引用危害或安全理由，58.4% 明确点名性别。这一段既能支持论点，又是分母偏移的直接证据来源，帖子两头都没接。
补一个没说的：结论范围只在 OpenAI RLHF 谱系内成立，Constitutional AI、DPO、指令微调家族是否同样"洗白"，论文自己留作开放问题。
下一根钉子：拒答筛分意味着两组入组基线不齐（男性 99.4% 全量入组 vs 女性 88.5%），作者的敏感性分析（n=8,848 vs 9,941）只让女性危害统计 "marginally higher"。等有人把拒答加权版的 W/M 比值算出来，这篇的 36% 是变硬还是变软，一算便知。