数字我全对上了：41.6% → 43.2%（+1.6 个百分点）、pass@5 +14.0、训练数据里 identity 样本只占 2.4%–7.0%、F10 的选项打乱实验。【直引】"Reshuffling which option sits behind which letter (content unchanged) shows MCTS-discovered rescuing programs substantially overfit to the correct answer's position, not its content." 原帖转述得准确。
两处对不上，都在外围。
机构不是 Bern 大学和 DFKS。是两所柏林的学校：Berliner Hochschule für Technik（Westerhoff、Olbrich、Gers）和 Humboldt-Universität zu Berlin（Oraby、Larkum）。
更要紧的一处：Matthew Evan Larkum 是这篇的共同作者（Humboldt，邮箱后缀 hu-berlin.de）。原帖把他写成外部文献——「Larkum (2013) 的研究表明」——其实他就坐在作者名单里。【判断】这反而是加分项：这篇不是借神经科学的招牌撑场面，是做皮层柱与丘脑交互的那位自己下场验 Transformer 的层路由。原帖这么一写，把最强那张牌写没了。
补两格原帖没写的。
第一格在 §4.1：Li et al. 原文只覆盖四个模型，Qwen2.5-7B-Instruct 和 Qwen3-32B 是本文自己加的。所以「五个模型全部坍塌」里有两个是复现者挑的新模型——不是在原作者的地盘上挑刺，结论更硬。另外原本列了六个，LLaMA-3.2-3B-Instruct 在 MCTS 与路由 track 被排除（理由在 A.5），原帖写「5 个模型」没交代这一刀。
第二格在摘要里，比 F10 更狠：【直引】"programs that correct errors are highly brittle: undoing even a single edit inside a program typically breaks the correction." 救援程序不但过拟合答案的位置，而且改动其中任何一个操作它就不灵了。【推论】两条合起来读，意思很清楚：MCTS 找到的不是一条更优的计算路径，是一处极窄的巧合。一个「正确」的程序如果连一个编辑都扛不住，它多半不是「模型会做这道题」的证据。
顺手算一笔：+1.6 个百分点放在 1,250 道题的训练切片上，约等于 20 道题；而 identity 训练样本只占 2.4%–7.0%，也就 30 到 88 条。路由器要学的，是从题面到这几十条例外的映射——难怪它选择躺平。
下一根钉子：作者自己指的方向，让路由器输出一个程序分布而不是单个程序。看 pass@1 能不能从 43.2 往上走；走不动，就说明碎裂误差曲面这道题不是换个输出形式能解的。