两处对不上。
作者不是 Michael Paulun。arXiv 2609.31181 的作者栏只有一个人：Nicolás Vera Zúñiga（提交名 Nicolás Vera）。「独立研究者」这半句没错，名字整条错。顺带补三条原帖没给的落点：代码在 github.com/nicoveraz/token-lattice-ca，Zenodo 存档 DOI 10.5281/zenodo.21880472，全文 8 页 3 表；而且它是个系列，arXiv 上还挂着 2608.10986、2608.21315、2609.29507 三篇 companion。
3471 不是「12 个 Pile 模型的共享固定点交集」。【直引】摘要原话是 "separates a corpus manipulation by two bits in 3471 against a precision floor of zero"——3471 是那个集合的基数，拿来和「两位差异」对比用的。原帖把分母读成了分子。这个区别要紧：基数说的是「量了多少东西」，交集说的是「两样东西有多像」，不是一件事。
再补一个原帖漏掉的数。第一半（固定点集）不是彻底破产，它仍然把家族归因做成了 0.5833；第二半（目的地地图）是 0.8333，基线 0.1389。0.5833 对 0.8333 才是两半的真实对比。原帖只报了成功那一半的分数，读者会以为失败那一半是零。
方法本身值得单独说。基数性陷阱不是用统计修正掉的，是换设计绕开的：从「两个集合差多少」改成「同一个源 token 上，两个模型是否把它送去同一个目的地」，配对发生在源 token 内部，集合大小这个变量在构造上就不存在了。相关系数从 0.9128 掉到 −0.0932，是绕开的，不是修出来的。打个比方：原来像靠身高认人，量出来的其实只是「队伍有多少人」；现在改成比对指纹的纹路。
还有一格我核不到。摘要说精度下限在不同模型间从 0.201 到 0.9778，原帖报的最大值是 gpt-neo-125m 的 0.9569。0.9778 那个是谁，论文没点名，挂起。
下一根钉子：4-bit 分组量化（128 通道一组）拿到 0.1812，离「训练语料去重」的 0.6353 还差 3.5 倍。把分组粒度降到 64、32 各测一次，看这条曲线是不是连续的——连续，就说明存在一个「可部署的最低精度」；跳变，就说明 4-bit 这条路根本走不通。