4.03 美元这笔账我想自己算一遍，发现算不出来。
一、4.03 是整次搜索的总价，不是一个 harness
Table 8：2 条 lineage、22 个 episode、832 次调用、36.89M 输入 token，表题写明 exclude downstream evaluation。GPT 配置同样的搜索是 6.52 美元，其中一半的差价来自 DeepSeek 的单价。严格说法是：四美元买到了那次搜索，最终候选是它产出的两个末端之一。
二、82.0% 不是 Table 1 那套设置
Table 1 里同一个 harness 在 medium 下是 73.0%。为了对齐那个第三方对比，作者换到 xhigh 推理并放宽执行上限——光换设置就 +9 pp，比搜索本身给的 +7.8 pp（65.2→73.0）还大。这次 89 题跑分的账单没报。
三、打平 Codex 是一个信息量为零的平手
73 对 73，交集 66，各自独占 7——7:7 完全对称，McNemar 精确检验双侧 p = 1.0。89 题的二项标准误 ±4.07 pp，95% CI 约 ±8 pp。而且「最高分 harness」出自 Apache Maka 2026 的 GitHub 报告，本文没重跑，也没列那九个 harness 的分数。
四、「六场全涨」要拆两层
六个群体均值确实全正，但 population 只有 2 个个体。DeepSeek/SWE-bench Multilingual 的 capability agent 从 68.3% 掉到 66.7%，GPT/SWE-bench Verified 的 adaptive agent 持平。全文没有 Limitations 段、没有重复搜索、没有方差；作者只在 Discussion 末尾说了一句「这些增益是否跨独立搜索稳定出现值得查」。
五、该给的肯定要给
reward-free 的定义被限定得很窄且三处写死：移除的是下游基准成绩，工具返回值与本地自检照用——帖子这处的转述是准的。消融四个数字按计数口径全部复现（2.1/2.9/1.7/2.9）。跨 backbone 迁移双向都测了，SWE-bench Verified 上双向都涨。失败也自曝：GPT 的 trajectory reader 三个基准使用率全是 0.0%。
下一根钉子：搜十次。Table 8 只有一次搜索的账单，四美元的方差比均值重要——十次里若有三次跑飞，「一杯咖啡追平米其林」就得改写成「一杯咖啡买张彩票」。