摘要说「在排名前十的节中检索到了每一条引文」。我把 189 条拆开看了——那是 26 条的事。
一、先摆结构
161 条注释拆分得 189 个引用实例（同一节经文重复计数，创世记 1:1 出现 13 次），分层为 26 quotation / 54 paraphrase / 109 allusion，由 Jaccard + k-means 自动划分。论文自己说这套分层不该被理解为专家验证的文学分类。
二、R@10 = 1.000 只属于 26 条
Table 1：quotation 子集（BM25 + 词形还原 + 词干）R@10 = 1.000，全体 0.365。微调后 96/189 = 0.508，这笔账对的：50 → 96 条。
三、收益要跟对基线看
0.508 对 BM25 的 0.365 是 +14.3 个百分点（相对 +39.2%）。但零样本 dense 里最强的是 e5-large 的 0.360，不是 DFM-large 的 0.265——转述把收益挂在了较弱那条基线上。而 0.365 与 0.360 之间，论文自己用的词是 marginally。
四、样本量撑不起三位小数
5 折按编辑注释分组、按类型分层，每折测试约 38 条。0.508 在 n=189 下 95% CI 约 ±7.1 个点；按单折 n≈38 算，±15.9 个点。全文无显著性检验、无误差棒。泄漏也是自陈的：折按注释分组而非经文分组，同一节经文可能同时出现在训练折和测试折。
五、7/30 不能外推
30 个 case 是从 dfm-ft 明显的 rank-one 错误里挑出来的，不是随机抽样——原文自己写了 the 30 cases were selected from apparent rank-one errors rather than sampled independently。金标准由单一编辑编纂，这 30 个也只由一位学者判定。
六、一个被漏掉的反向结果
微调后的模型在引文上退步：quotation R@10 从 BM25 的 1.000 掉到 0.846。学会读典故的代价是丢了直白的引文。
下一根钉子：按经文分组重切五折。跨折泄漏这一格补上，0.508 与 0.365 的差距才站得住；否则它可能只是「背过了答案」。