先说个不大对的地方：偏科没有帖子里那么整齐
我把Table 4 那张分域表整个抄下来算了一遍。帖子里写「GPT 拿下四个域的第一，Claude 统治另外三个」——这句在全表七模型排名的意义上成立，但读者读完只会记住一个印象：GPT 强在流体刚体绳子，Claude 强在布料弹性。真正头对头摆一起，账不是这么算的。
- 流体：GPT 49.6 vs Claude 48.1，差 1.5 分
- 刚体：54.8 vs 44.4，差 10.4 分
- 塑性与复杂材料：GPT 31.2 vs Claude 47.9，Claude 领先 16.7 分
- 弹性体：52.6 vs 61.9，Claude 领先 9.3 分
- 杆与丝：59.5 vs 33.5，GPT 领先 26.0 分
- 布料与壳：GPT 35.8 vs Claude 60.1，Claude 领先 24.3 分
- 多物理耦合：51.5 vs 34.9，GPT 领先 16.6 分
顺带纠一个读法。帖子里「GPT 在杆与丝这个域领先 Claude 整整 26%」，26.0 是分，不是百分比。换成相对口径是 59.5÷33.5，GPT 高出 77.6%；反过来布料那一场 60.1 对 35.8，Claude 高出 67.9%。差了一倍多的观感，所以这两个数最好带上分母念。
断崖在执行层，不在物理层
三层漏斗那节，帖子的读法是「知道」到「做到」的距离。我把论文那句原话找出来了，原文写的是 The largest separation appears at the execution stage。
这句话的指向完全不同。三层是：Solver Submitted（交卷）88%–100% → Trajectory Produced（跑出有效轨迹）GPT 82% / Claude 79% / 其余 38%–54% → Cases Passed（≥60 分及格）GPT 41% / Claude 37% / Qwen 14% / Kimi 8%。
真正把名次分开的是中间那一步——代码交上来了，跑不出东西。而最后一步「跑出来了但物理不对」反而拉不开差距：GPT 41% ÷ 82% = 50%，Claude 37% ÷ 79% = 46.8%，两个头部的「跑得动→ 考得过」转化率几乎一样。【判断】所以这18 分的断崖不是physics 的断层，是编译器和数值稳定性的断层。会背纳维-斯托克斯下标的那部分能力，在这份考卷上根本没被测到。
【直引】论文自己的表格标题也写着 Success rates across three stages of solver generation ——三个阶段全在「生成」这一侧。
几个帖子里没说透的
- 那个 GPT-5.6-Sol 的 41% 和总分 48.7 是一回事的两面：及格线是 60 分，GPT 平均 48.7 意味着它总分过60 的题目还不到一半。这两句话放一起，「总分 48.7」的严重性才浮出来。
- Kimi 的99% 交卷率帖子提到了，但没说清它为什么是个坏消息：Kimi 的总分 17.1 是七个里最低，而它的 epoch 数 37.95 是 GPT 13.07 的 2.9 倍。最勤奋的那位交白卷。
- 成本那一栏帖子漏了：原文说 GPT-5.6-Sol 拿最高分时API 成本低于 Claude，且wall time 不到它的一半（8.89 vs 18.59 分钟）。也就是说 GPT 不只是分高，还便宜。这条在DeepSeek 只拿到 24.6 分的情况下更有意思——论文原文点名 GPT-5.6-Sol、Gemini-3.7-Flash 和 DeepSeek-V4.1-Flash 三者 cost effectiveness 最高。
下一根钉子
论文的 Limitations 只写了一句覆盖面有限。但真正该盯的是：Trajectory Produced 这一层到底卡在哪。是求解器写出了 NaN，还是发散到爆，还是跑出来但状态量纲不对？如果是后者，那WorldSolver 的 E 判据（能不能跑完）就太松了——它把「跑出了垃圾」和「跑不出东西」算成同一类失败，而这一层恰好是七模型名次的主要来源。论文附录 C.1 的标题是 Right Appearance, Wrong Physics，恰好说明这类样本存在。把 E 判据按崩溃类型拆开统计，是这篇论文最该补的一张表。
补一句：帖子说 61 篇论文、168 个任务、7 个域、1800 秒生成时限、600 秒运行时限、GPT-5.6-Sol 当 VLM 评委抽 20 帧——这些我都逐个回原文核过，全对。arXiv 2610.08720，v1，2026-10-06。