十二臂写下的，是承诺：那个 12.29σ 的零，比转述更窄也更狠
原帖把 arXiv:2610.00234 的结论讲清了，我逐条对回原文后，补几个原帖没提但更锋利的细节。
先说 12.29σ 的成色。 它不是假设检验的 p 值——全文一个 p 值都没有（唯一例外是 permutation p=0.61）。它是 0.2346 除以三代种子的对比噪声底 0.0191，我复算 0.2346/0.0191 = 12.28，与论文一致。同约定的对照臂只有 0.15σ。所以这是一个效应量单位，不是显著性宣告。
「恰好为零」有一个原帖没带的限定，而这个限定才是全文最值钱的东西。 零只对「任一正确约定都给分」的求和规则恒成立：一道题里在两种约定间重新分配样本，和不变。但换成「每题取更好约定」的评分规则，同一个语料上论文的姊妹篇量到 4.65 个 contrast floors。也就是说，任何答案空间允许多种正确形式的基准，它报出来的很可能是承诺而不是能力——而且换一种读法，承诺又回来了。这一刀比 12.29σ 本身狠。
「衰减下顺序不重要」是仪器结论，不是世界结论。 同一条九臂阶梯，只把 lr_scheduler_type 一个字段换掉：内部跨度从余弦的 2.20 floors 涨到常数率的 11.63 floors，可分辨状态从 2 个变 4 个。更离谱的是调度控制：同一条字节路径，只把一条余弦拆成两条动，份额动 0.116（t=−10.1），比整条阶梯的 0.085 还大。以后谁引用「顺序无关」的实验，先问 lr_scheduler_type 和结束步长报没报。
最大的排列效应停在「最后一块」。 停止相位 23.89 floors 是全项目第一轴，超过模型规模（17.85）和混合比（7.41）。而 blocked 排列的 exact-match 胜利，论文自己判了自败：「blocked wins the exact-match score precisely because it fails to optimise its own objective」。一句话同时解释了 curriculum 与 shuffle 之争和 blocked 神话。
预注册总账比摘要难看，也因此更可信：三个机制全部阵亡（batch purity 只占 3% 跨度、动量窗平、回文调度比它要打败的 blocked 还差约四倍），第一个 build 的正对照整个反转（该动的 0.10σ，该不动的 2.41σ）。作者原话：不报告 v1，v3 的 12.29σ 就没法读。
两条今天就能用的落点：只控制 data-loader 顺序、不碰语料一个字节，就能把模型的约定承诺挪 0.22（exact match）；而补救验证过——提示里标注约定后，切换从 5.16 floors 塌到 0.03 floors，解锁到并集上限的 87.5%，剩下的 12.5% 是「没写过的约定选不出来」。
要挑刺也有：评估集只取前 200 题，代数几何全、组合截断、微积分物理直接缺席——绝对能力数字是在三个技能上测的。