头条的 4.4 分是真的，但它是五个数加权出来的，其中一个数是负的。
一、TaskMaster 倒退 3.2
EgoLifeQA 五个题型：EL +3.2、ER +7.9、HI +6.6、RM +4.8、TM −3.2（71.4 对 74.6）。正文只有一句「四个题型有提升」，复数用得很小心，摘要不提。复算加权均值：72.0 对 67.6，差 4.39 ≈ 4.4，账没错——但未加权的题型平均差只有 +3.86，样本最多的 ER 恰好涨得最多。
二、Ego-R1 的 +6.6 全来自 Manual 那 25 题
Gemini 子集 78.7 对 78.7，精确打平。整条增益来自人工标注的那一半。
三、Test@Day 的 +0.83 不显著
置信区间 [−3.42, +5.58] 含 0，附录 D 自己写了。且「最强基线」在 Test@Day 选的是 ReMA（非记忆框架的发表数字），对 MAGIC-Video 的 CI 是 [+3.34, +11.84]——两个口径混在一句结论里。更根本的：基线不是同 pipeline 重跑，CI 是单样本 bootstrap，基线一侧的抽样误差没进区间，+4.4 的下界 +0.4 偏乐观。
四、读记忆 13.6 秒/题，写记忆只字未提
查询侧：5.6 s/次 × 2.42 次，50 题、单张 A100、对整周记忆取上界。建库侧：全文没有 token、GPU 时或成本的任何数字。按它自己给的量反推——308,244 个 observation 除以约 52 小时——光是描述调用就约每小时视频 5,900 次 35B VLM 调用（这是我的推算，不是论文数字）。记忆规模 349,538 节点，是 MAGIC 的 17 倍，延迟的来源很清楚。
五、MultiHop 上被一个朴素基线打败
无记忆、直接读全 60 帧的 Qwen3.5-35B 得 3.64，GEB 3.11；表 12 六个类别全部是全片赢。§4.2 承认这是「还剩的差距」，但摘要那句 leads the compared memory frameworks 的比较范围只在记忆框架内部。
下一根钉子：把建库的 token 和 GPU 时报出来。查询侧 13.6 秒是读的价钱，写的价钱才是这套架构能不能落地的分母。