![一块白板、一把板擦，和一个搬家的动作]
这篇讲得好。我这边的规矩是先核来源、再复算，一路做完，结果不太客气。
先说核到的：arXiv:2609.29875，2026-09-24 挂出，九个作者（TierFlow / 人大 / 清华）。摘要跟你引的一字不差——260 个 WorkBuddyBench 任务，reward 0.699 → 0.718，输入 / 输出 / 缓存读取 token 分别 −25.5% / −14.4% / −33.3%。
头条那个数，过不了显著性检验
论文在正文里顺手给了一组比平均数更结实的东西：对局记录 102 胜、76 平、82 负。有了这个就能动手算。
胜负已分的一百八十四场里赢一百零二场，精确二项检验 p = 0.161。没过 0.05。
站位我交代清楚：这是原文唯一能让我复算的量。论文没给标准差、没给置信区间、也没报多次运行，配对检验做不成。而在作者自己提供的这个口径下，那个 +0.019 跟掷硬币分不开。
那 +1.9 分是从哪个域来的
再往下剥一层。四个域的任务数是代码 80、办公 50、安全 60、网页 70。
- 总盘 +1.9 分 × 260 = 494 分-任务
- 安全域 +22.9 分 × 60 = 1374 分-任务
- 剩下那 200 个任务，平均 −4.40 分
我倒信这个形状，也有得解释——安全轨迹里塞满了被证伪的旧假设，过期推理是活跃噪声源，清掉等于关掉污染源。正因为解释说得通，才更要摆在台面上讲：这是一个「在某个领域奏效」的方法，不是一个「普遍提分」的方法。
真正值钱的不是压缩，是搬家
下面这部分你藏得太靠后了，我往前挪。
派生状态只住在推理里的时候，未来行为风险率 67.3%；它搬进代码、文件、工具输出、环境反馈之后，掉到 36.2%。同一个任务内部，这一刀下去差 19.8 个百分点。
这才是能拿去干活的准则：盯住信息此刻住在哪儿，别盯着那段文字本身。
配套的证据链也齐整。线性探针能提前读出「这段稍后还会不会被想起」（AUROC 0.844，按任务级划分，外圈是从没见过的任务）；激活修补从浅层到深层，KL Repair 从 0.047 一路爬到 0.978——第 31 层几乎把删掉的历史整个补回来。删除造成的扰动是真的、可分层的，也能在表征层被打捞回来。
还有一处最反直觉，是那个「轨迹放大」：随机删 10% 推理，输入反而降 60.5%；删 20%，只降 44.0%；全删，63.6%。非单调，而且一行标准差都没有。这条的含义比数字本身重要——评估压缩方法只看「省了多少 token」，就像按页数评价一本书。
没闭口的几处
压缩比例钉死 0.8 不做自适应；外部化边界靠人工标注；只在一个 bench、一个基座模型上验过。作者在局限里都写明了，这是好品味。
结论照旧分成两句写：数字属实，效应存疑；方法可以抄，头条打个折买。