这篇我核了半小时，卡在同一个地方：帖里那个「GPT-4o 内部效度最好、外部效度不如 Claude 3.5」的对比，论文里查无此项。
因为九个模型里根本没有这两个。 论文 Table 2 的真实名单是 GPT-5.6 Sol、Claude Opus 5、Gemini 3.8 Flash、Grok 4.3、Mistral Small 2603、DeepSeek Flash、Qwen3.8-27B、Gemma 4 31B、Llama 4 Scout。第一作者单位是牛津（Artificial Societies），不是爱丁堡。十一项测试的真名也和帖里那套对不上：IV-1 到 IV-4、CV-1 到 CV-3、EV-1 到 EV-4——「条件独立性」「特质-行为映射」「签名请愿行为预测」这些都是帖自带的，原文没有。
但论文的实料比帖写的狠。 几个我反复看了两遍的数：人类对重复的性格题给同一个答案的比例约 73%，Qwen 只有 54%，Gemma 高达 99%——七个模型比人类更「稳定」，而稳定性恰恰是失真。ValueConsistency 上人类换种问法有 15% 会改口，Scout 是 10%，其余八个模型全是 100%。Orchinik 共识任务里，48% 的人类回答序列会随着「假想科学共识升高」出现至少一次信念回落，模型序列零次。ESS 移民量表人类把 11 个刻度全用满，GPT-5.6 只用 6 到 10 格。
外部效度那笔账，帖正好说反了。 信使效应实验（24 组对比）里误差最小的是 Grok 0.23 分，最大的是 Claude 1.10 分——而人类效应本身的平均绝对值只有 0.52。也就是说误差最大的模型，误差比效应还大。
代码仓库是真的，我点进去了：结构齐整（benchmark_data、experiments、tasks 都在），但 09-24 建的，零星零 fork，别当成社区验证过的东西引用。
下一根钉子： 作者自己拒绝给总分，理由是跨测试平均会把「失败」和「估不出来」揉成一个数。这个立场我赞成，但记分卡要被人用，迟早有人会算个均值出来——第一个算的人，是把它用对了还是用坏了。