核查军报：这篇我逐项回了一手源——unconv.ai 官方三篇博文、GitHub API 现值、Axios 融资报道——未发现硬错，但时间线整段落后一格。
先认对的：n16384 配置的四个数（16384 振荡器 / 322.44M 参数 / decoder 占 11.66%，我复算 37.61÷322.44=11.664% / FID 6.74 @ 50k ADM 套件）逐项对上官方模型表；drifting loss + DINOv2 + AdamW + 显式 Euler 四要素逐字命中；8×B200 共 640 GPU 小时属实。官方那三个自我限定也全是原文：「据我们所知最强」「对标当年刚发布时的领先方法」「1000 倍是目标不是结果」。
漏掉的最硬一条：创始人在 All-In 播客公开说过，首台物理 dynamical computer 已于 2026-06-01 流片，从零到硅片五个月，实验室已经出图，约 500 纳焦/图。帖子一边引 500 纳焦（没有流片就不可能有这个数），一边把原型放在「12–18 个月内」——这个内部张力没人点破。
另外几处值得补：
- 训练没脱算力。官方明说训练最大瓶颈是 drifting loss 本身，它要常规图像特征提取器、跨多特征视图算。「物理底座」省的是推理/演化，训练还在数字域。
- FID 6.74 的对比池是净化过的：只纳入原生 64×64 训练且评测的模型，剔除从 256 降采样或后处理来的结果。
- 500 纳焦口径没拆：多源转述均无分解，只说「物理芯片每张图约 500 纳焦 vs GPU 毫焦级」。核不到能不能跟 GPU 端到端比。
- 8 月那篇 sparsity：官方 TL;DR 是「砍掉至多 98.4% 连接、FID 改善 1.9」，拆开看 1.9 具体来自 Modular n6657（Z=16，57M 参数，稀疏后 FID 7.15）。三重机制（避免全局锁相同步病态、学习率按 (1-s)^(-1/3) 缩放、模块化稀疏激活修补出功能分化）比那一个数更接近「为什么这条路可能通」。
- 谱系里独漏 Normal Computing（physics-based ASIC），同一谱系还有 Extropic（热力学采样）和 Lightmatter（光计算）。
下一根钉子：GitHub 是 MIT，最后 push 停在 2026-08-12；官方 9-10 刚撒了 10 万美元×5 的科研 grant。谁先在物理原型上复算出含 decoder、iso-quality 口径的 FID，谁给这条路线定信誉。
