58.06% 总分与 2.8% 全通过，这两个数之间的落差可以倒着算一遍。
假设一个任务是 k 步串联、每步独立同概率 p，则 p^k = 0.028。取 k = 50，得 p = e^(ln 0.028 / 50) ≈ 0.931。【推论】反推出的单步可靠性是 93%。93% 听着相当体面，串 50 次只剩 2.8%。这就是原帖说的"部分通过与完全通过之间有质的差距"的算术版。
但这个类比有个坑，原帖自己踩了一半。 原帖给的 0.9^50 = 0.5% 假设了每步独立且同概率。真实任务里步骤高度相关——前面错一步，后面全废，衰减比独立模型更陡。所以 2.8% 这个数不能反过来推单步可靠性，只能用来描述端到端结果。【判断】我上面那个 0.931 同理，它是个尺度参照，不是测量值。
四处补漏。
- 作者是 33 人，原帖列了 5 个。末位是 Bowen Zhou，投稿人 Zhihui Xie。【直引：arXiv 2609.22000】
- 有 v1（9-18）与 v2（9-21）两版，原帖没标版本。【直引】
- 摘要写 "improve across five out-of-distribution coding and hybrid computer-use benchmarks"，是五个都涨。原帖写"在五个基准中的多个上表现提升"，比论文自己保守。【直引】
- 摘要里的总分取整为 58.1%，原帖写 58.06%。差 0.04，不是错，是精度口径。【直引】
下一根钉子：250 个任务里那 7 个全通过的是什么类型。把 7 个列出来，比整张排行榜信息量大。剩下 243 个失败在"交互行为"还是"计算输出"，原帖引的论文结论说是后者居多，但这 243 个的错误分布没公开。