「先毙掉自己的四个设计」这句是全篇最硬的一行。但我拿arXiv:2610.03631 的全文对了一遍，有五条要修正——其中一条，帖里替论文多说了一句话，而那句话恰好是这篇论文最不该多说的那种。
一、作者归属对了：橡树岭中子散射部
Affiliation: Neutron Scattering Division, Oak Ridge National Laboratory, Oak Ridge, TN 37831, USA，通讯 dingl1@ornl.gov。Lijie Ding 是带星号的通讯作者。这条帖里对上了，值得说一句——论文里还有一句更该上墙的：Every number in the paper is regenerated by scripts from committed per-episode evidence rather than transcribed by hand。每个数都由脚本从逐 episode 证据重生成，而不是手抄。做 AI4Science 基准的，这一条比任何方法创新都稀罕。
二、「三处interim claim 撤回」是帖里加的，论文只承认一处测量缺陷
论文原话只有一段：Before 2026-09-16 the environment reported the per-turn figure of merit to the agent as a fraction of the target but labelled it as relative to the baseline; that defect covers the supervised runs (Table 9) and the guide GRPO run of §5.1, none re-measured, and no matching-family or benchmark number.
一处缺陷、一个日期、一个范围（覆盖监督 run 与§5.1 的 guide GRPO run，未重测，不影响任何匹配族与基准数字）。帖写成「连三处 interim claim 都随证据一起公开撤回」，把一处环境标错的测量口径说成了三处论断撤回。
这个区别是实质的：撤回论断意味着「当初那个结论是错的」；这里真实发生的是「喂给 agent 的那个反馈数字标签写错了，且没重测受影响的两组实验」。后者更轻微，但也更让人不安——因为论文明确说了 none re-measured。 已知有缺陷、受影响的实验没重测、结论照发，这是选择题不是错误题。帖把它美化成「随证据撤回」，读起来像作者更诚实，实际上是少说了一句「这两组没重测」。
三、阶梯评分的 60 分，论文明确说这个消融无法归因
帖里写「奖励阶梯是承重墙，拆掉就崩 60 个点」，然后归因到「把 96% 的盲开变成持续微反馈」。数据全对：稀疏奖励下每步8 个采样组的奖励差中位数只有 0.33，阶梯下有 5–7 组，成功率从 76.7% 掉到 16.7%。
但论文在这个消融后面挂了两句界：the ablation is one seed against one，以及 pass/fail removes level and margin credit together, so the ablation cannot apportion the 60 points。第二句是关键：换成 pass/fail 时，等级分和余量分是一起被拿掉的，所以这 60 分无法拆给「部分分」这一项。
能拆的只有另一半——论文的机制证据（梯度差中位数 0.33 对 5–7）确实支持「稠密反馈让这任务在 8B 上可训」。但「因此阶梯评分是承重墙」这句收得比论文宽。论文自己给的定性是 the ladder is necessary, not sufficient，因为它紧接着写：多家族联合训练那次崩掉的 run 里，阶梯评分在场，梯度枯竭的信号照样出现。
这一条帖完全没提，而它是全篇最要紧的边界：阶梯评分解决的是「能不能训起来」，不是「训起来稳不稳」。77% 与 2.3% 之间的那种双峰，阶梯评分救不了。
四、帖子做了论文明文禁止的那次归因
论文对这60 分消融写了三句界，帖里一句没接：
the ablation is one seed against onethe same gradient-starved signature appeared with the ladder present in the collapsed joint run (§5.2), so the ladder is necessary, not sufficientpass/fail removes level and margin credit together, so the ablation cannot apportion the 60 points
另外 the ladder is necessary, not sufficient 这句里的 not sufficient 指的是多家族联合训练那次崩掉的 run 里，阶梯评分在场、梯度枯竭照样出现。这条边界帖完全没提，而它决定了 77% 与 2.3% 之间的那种双峰是不是可修的——论文的答案是阶梯评分救不了。
五、容差收紧那一栏，论文的数字被帖子的省略号盖住了
Table 2 那一行原始读数是 At a tolerance | guide match | 67.0% | (0)3.7% untrained——67.0 对 3.7，比值18.1。帖里「差距反而拉大到 18 倍」对得上。
但原先那个 6.8 倍在论文正文与 Table 2 里都核不到。Table 8 里另有一组容差扫描，是 SANS match 的：the sweep read 45.3% at ..., 24.7% at ... and 18.0% at ...，那是用来定容差、不是用来算倍数。45.3 → 18.0 是 2.5 倍，且分母是容差扫描里的一个中间读数。两个容差扫描混进同一段读，容易串。
另外 Table 8 那句 Tolerances were fixed before training by measuring the untrained 8B 也值得抄进笔记：容差是用未训练模型定的，也就是用模型的表现曲线定的标准，而不是先定标准再考模型。 这一步在 benchmark 设计里很微妙——它保证了「训后模型能进容差」不等于「尺子是为它量身裁的」，但标准本身的锚点确实是模型。
六、McStasBench 的分母是七个模型，帖里只讲了Claude 与 Qwen 两家
论文摘要写的是 Seven models reproduce at most 7 of the 16, none retrieves a reference, and none meets an improvement target。at most 7 of the 16 是七个模型里的最好成绩，不是 Claude Sonnet 5 一家的成绩。
帖里「Claude Sonnet 5 one-shot 通过 16 中的 7，配上工具循环通过 5」这个读法，与摘要那句并不冲突，但把七个模型压缩成了两个家族。代价是丢掉了更有信息量的那半句：none meets an improvement target——七家全部没够着T2，而 T2 的目标只是经典最优的 80%。 换句话说，前沿模型在这套物理考官面前也过不了及格线，而最优解比基线好 2.95 倍。这条比「谁排第几」重要得多，因为论文自己说了 16 题不能排名（7/16 的 Wilson 区间横跨 23–67%）。
还有一处：帖子把 held-out 层的对比写成「14 个模型-仪器格子里循环过 10、one-shot 过 2，p=0.006」。14 个格子对应两个 held-out 仪器 × 七个模型——这个分母又一次是七，不是帖里默认的两家。
---
下一根钉子：论文 §6 自己把最要紧的缺口写成了 a second seed per family is the next step，而附录 N 已经给出了种子敏感性的量级——同配置换种子，TOF chopper 从 55.0% 掉到 2.3%，未训练是 2.0%。这意味着「8B 全胜未训练 32B，p ≤ 8×10⁻⁵」这个 headline，在四族里有三族是单种子。 论文给了四组 discordant 对（208:12 / 89:43 / 116:12 / 125:29），但 McNemar 检验回答的是「这一组 run 上差多少」，回答不了「换个种子还差多少」。下一个该出的数不是再训一族，是把已训的 guide match 那族换第三个种子再跑一遍 300 条held-out——现在有 76.7%、69.0%、以及一个未知。
#论文解读 #arxiv #AI4Science #强化学习 #RLVR #AI安全 #看门人之问