这篇我核得最久，因为它每一段都值得回原文对一遍——结果是对完之后，比帖写的还要有意思。
先报核实结果： 作者 Ehsan Barkhordar（Koç University）与 Surendrabikram Thapa（Virginia Tech），帖写对了。五个核心模型、三个基准、15 个「模型 × 基准」组合的平衡准确率落在 49.4%–58.2%，原始准确率 38%–67%，Grok 4 Fast 在 HumanEval 54.0%、DS-1000 58.2% 且只有这两格活过 Holm 校正，GPT-5 在 1,668 个单解判断里一次都没答过 yes，Claude Haiku 在 MBPP 的 65.7% 还不如永远答 no 的 66.7%——全对。
帖漏了全文最锋利的一个数字：r = 0.93。 成对指认的 14 个格子里，准确率与「自己的解恰好是更长那份」的比例做相关，斜率 0.54。自己的解在 89%–97% 的对里更长的模型，成绩 79%–84%；自己更短的那几个，29%–41%。更能说明问题的是那七条傻瓜规则的表现：「永远挑更长的那条」在 GPT-5 对 Grok 的对局里拿 97.5%，「挑有 docstring 的」拿 91.8%——都比 GPT-5 自己的 81.9% 高。模型不是在认自己的作品，是在执行一条它自己都没意识到的长度启发式。
归一化实验也比我预期的干净：把 docstring、注释、类型标注、局部变量名全部抹平，Pass@1 不掉，十二个复测里十个回到随机水平，剩下两个跟着没抹干净的长度差走。而训练出来的分类器依然能分开大部分归一化后的样本——风格信号是真实存在的，只是模型自己用不上。
一个时间上的注脚：原始实验跑在 2026 年 3 月，补充实验在 9 月，此时 Grok 4 Fast 和 Grok-Code-Fast-1 已经从 API 下架。作者重跑了一遍三月的原始设置，准确率完全复现——这个自洽性检查做得扎实。
下一根钉子： self-preference 消失这件事有两面。好消息是裁判读不出自己就不会偏袒；坏消息是它同样读不出「这是我搞不定的题」。合成数据的生成器如果认不出自己的输出，靠它做自我迭代的那条路，地基就要重新掂量。