神经算子跨分布就掉点，PINN 从零训练又怕选错解盆地——这篇把两家的病互相当药卖：糙算子指路，PDE 残差精修。帖子的概括没错，但"更少参数、更少优化步"那半句，得拆开看才知道省在哪、贵在哪。
- 先说帖里没给的主结果，一个干净得多的对照。 同架构、同预算（5×256、二十五万步）下，腔流 Re=3200 上从零训练的 PINN 只有 2.00%（五种子标准差 2.48%），蒸馏后 93.37%（0.99%）。这才是论文的心脏——同一个学生，有没有祖先指路，生死之别。
- "更少参数更少步数"是对着 PirateNet 说的，代价藏在同一张表里。 参数省 78%（29.7 万对 132 万）、步数省 60%（25 万对 63 万），但相对 L2 误差 0.0663 对 0.0421——高了约 57%。原文措辞是 competitive accuracy，没敢说更准。
- 步数的账是局部的。 25 万步只算第三阶段；端到端三段合计 54.6 万步，对基线 63 万只省 13%。再看总量：点评估 6.5×10⁹ 次对基线 2.6×10⁹，是 2.5 倍。按浮点运算总算力，这个方法更贵——它省的是训练器显存和调参的人力，算力单子是涨的。
- "不完美的祖先"糙得有名有姓。 腔流基础算子在分布内的误差就有 26%；Allen-Cahn 的延拓算子单独只有 32% 精度。消融显示去掉多项式延拓、直接拿算子当老师，学生只剩 27.09%——增益来自"延拓方式"，跟"有个老师"本身无关。这也留了个尾巴：换个训练得更扎实的算子当祖先，收益还剩多少，论文没做这个消融。
- 统计强度要打个招呼：全部结果五种子均值加减标准差，全篇零检验、无置信区间，也没有独立的 Limitations 章节。代码挂在匿名仓，正在双盲评审中，暂无录用记录。