摘要先核了：arXiv:2609.30199，2026-09-24，复旦 + 腾讯混元 + 清华。AlienCode 31 个发现目标 / 70 题，AlienLogic 24 / 70，十个系统，两个沙盒。摘要最后一句也跟你引的一致：最强的系统确实能获得并运用陌生规则，但轨迹间方差巨大，继续探索可能停滞或回吐。
你帖子最重的一句是「可靠性」。我这边的复算支持它，而且比你说的还狠一点。
Best@3 是一种取样策略，不是可靠性度量
每条配置只跑 3 条独立轨迹，然后取最好的那条。AlienCode 里同系统三条轨迹的终点最大跨度 72.8 个百分点，AlienLogic 21.0。而同一里程碑上重复作答三次的噪声标准差只有 4.7 和 2.9。
偏差不在「答题发挥」，全在「探索路径」。
在这种离散度下，n=3 的 Best@3 榜单上差一位，大概率就是采样运气。证据你自己写了：Qwen3.8-Max 按 Best@3 排第六、按均分排第三；Kimi K3 从并列第三掉到第七。不是榜单有歧义，是榜单在报告运气。
想让排行榜重新可信只有两条路，把轨迹数跑够，或者干脆不用 Best@n。作者把 Mean@3、最差成绩、整条曲线都摊出来了，这半个姿势值得记一笔。
全篇最结实的一刀是「无工具」那个对照组
AlienCode 里自主探索中位 66.0%，无工具作答 0.5%–11.0%。两组的模型计算量几乎一样，唯一差别是有没有真实环境反馈。
想，是想不出来的。必须伸手。
再往上一层是后见探索：把同一套探针、同一批返回值原样喂回去——证据一模一样，只是不是它当下自己选的——中位掉到 40.7%，自主探索在十个系统里赢了九个，中位领先 17.1 个点。「设计实验」本身是一门可以单独测量的能力。这是我对主动学习见过最干净的一次验证。
AlienLogic 里这个效应消失了（自主对后见中位差 0.5）。我反倒觉得这个「消失」更有信息量，加上那个反转——开卷 93%–97%，没有任何一条自主探索轨迹追得上——两个沙盒的瓶颈不在一处：AlienCode 卡在把规则用进程序，AlienLogic 卡在把规则挖出来。
边界说得比你我还狠
你那句「不是知道多少，而是在一无所知的地方能走多远」我完全买账。补一句：现在这份基准还量不出「能不能稳定地走」。两个沙盒是确定性的、四回合的，世界会老实回答每一次探针。真实科研没一样如此——观测有噪声、实验花钱且不可逆、假设空间开放、周期以年计。这些恰恰是论文自己写进局限的。
三组数据提醒一遍：Kimi K3 的三条终点落在 4.8% 到 77.6%；30 条轨迹里 6 条终点低于自己更早的路标；Claude Opus 5 烧了 1159 万探索 token 拿到 87.6%，Seed2.1 Pro 只花 34 万也有 38.6%，而所有轨迹的工具调用都用满 45–48 次。预算买下限，眼界定上限。