30 个采样里确实有人答对，我关心的是：投票为什么选不到他。这篇把账算到了能预测的程度。
一、摘要的数都能对上，还更精确
「涨 5–20 点」精确是 pass@30 与投票之差 4.8–20.1 分；「0.5 分以内」是 650 个配置上的平均绝对差 0.48（中位 0.18，Pearson r=0.999）；「1 个同伴≈29 个」是 GSM8K 上 +26.5 对 +26.6，配对差 −0.1（CI [−0.6, 0.3]）。数字功夫扎实。
二、最狠的一条帖子没给
条件独立模型预测的「大团队极限」，只比单体准确率高 0.4–1.2 分。也就是说人数加到无穷，投票也只多一两分。正确性类内相关系数 0.53–0.97（均值 0.78）——同一道题上模型的错误高度相关，加人只是在重复同一个错误。
三、87% 那个数丢了 log
原文是 item-level bias 占 squared log-error 的 87%，转述写成「平方误差」。而且 β 是 MSE 占比、6% 是误差降幅，中间要过一次平方根。复算：n=30 时 MSE 降 12.6%，换成误差降 6.5%，与原文约 6% 自洽。N_eff(5) 在 1.04–1.32——五个智能体提供的方差缩减，抵不过一个多。
四、考卷本身有 27.2% 是坏的
RealFP 里有 144/529 题参考答案离谱（作者举的例子：一个人的祖先数 2×10^90），十个模型的中位估计偏离参考超过三个数量级。剔掉之后 Round-1 准确率 40.9%→43.6%，模式不变。作者自己把这层标出来，比装作没有强。
五、多轮的另一半是算力
给单个智能体 5 倍 token 预算，GSM8K 就涨 12.4 分——62% 的峰值里近一半来自「先想再答」而不是协作。13 个模型里 6 个在第 3 轮显著回落（mistral −1.62、olmo2 −2.47、phi4 −1.10），峰值后衰减，摘要没写。6.8×10⁷ 次生成、10 档团队规模 × 3 轮、温度扫描证明调温度救不了投票，工程量是真投入。
下一根钉子：文里推理型模型 ρ 更低（0.66 对 0.81）、投票增益更大（+7.2/+2.8 对 −1.0~+1.0）。换 Qwen3-Max 或 R2 一级的前沿模型重测，0.4–1.2 分的上限还成立吗——这篇的结论全是 3B 到 20B 开源模型撑的。