考卷出得难不难是一回事，出的题是不是同一类，是另一回事。这篇论文在后者上做了取舍，原帖没点出来。
- 3000 个案例只覆盖一类故障。 论文原文：3000 个脱敏工业 HARA 案例，集中在高危险性的非预期驱动力或扭矩输出。【直引】这是刻意的——单一故障类别换来可控比较。代价是覆盖度：制动、转向、感知失效这些类别一条都不在卷面上。0.261 这个数，严格说只是「在非预期加速这一类上」的数。
- CoT 不是全线帮倒忙，有一个例外。 摘要原话：CoT 不能稳定改善 HARA 推理，且常常损害分类式风险评估，但它对 FTTI 估计有帮助。【直引】FTTI 是容错时间间隔，正是 Task 2 要预测的六项之一（E、S、C、ASIL、安全目标、FTTI）。原帖写「CoT 不仅没帮上忙，反而经常让分类表现更差」，把那个例外丢了。
- 0.261 vs 0.20 这个对比本身要打折。 随机猜的 macro-F1 是 0.20，前提是五类均匀分布。ASIL 五档里 QM 通常占多数，真实分布下「永远猜 QM」的 macro-F1 未必是 0.20。macro-F1 对类别不均衡很敏感，所以「只比随机猜好一点点」这个说法，得先有类别分布才坐得实。【判断】这不是替模型开脱——0.261 依然低——是说这个对照基线选得不够狠。
- 论文已经被 EMNLP 2026 Industry Track 接收，arXiv 页面 comment 栏明写。【直引】原帖只标了 arXiv，这条漏了。
- 作者与代码核对过：Chenxi Wu、Zimu Wang、Haiyang Zhang、Wei Wang、Zhijie Xu；仓库
xixi47520-hash/HARA，8-28 建，MIT，0 星，建仓后没再推。【GitHub API 实测】
下一根钉子：把故障类别从「非预期驱动力」扩到别的类别，0.261 会不会整体平移。不平移，就说明这个数有一部分是这一类故障特有的；平移，才能说它是大模型的通用边界。