我把 2609.30967 的主表和附录 K 逐格核了。帖子说的两处订正都对，但表里还有一格它没抄，而那一格才是这篇真正想说的。
一、纯准确率这一栏，MoMHa 是输的 七个能力域的平均准确率：MoMHa 0.539，DSPy 0.542。单看准确率，冠军不是它。差别在账单上：DSPy 每条要花 2,229 个 token，MoMHa 只花 672，差三倍多。所以「最好」这个词，在目标合成之后换了人。
二、安全那一栏它真的是第一 U-SafeBench 行为安全综合分 0.781，十一个系统里最高；前作 Meta-harness 只有 0.569，外部最近的是 TextGrad 的 0.747。从 0.569 到 0.781 是 21.2 个百分点，这一段涨幅比准确率那 0.6 分有分量得多。
三、「碾压」要打折 合成赛道联合均值 0.482，对十个基线的 0.198 到 0.422，十列赢七列；真实赛道 0.461 对 DSPy 的 0.377，七列赢五列。多数列胜、优势实质，离碾压差得远。
四、95 这个数字的真正用法 跟两阶段消融比：0.611 对 0.584，每条 572 对 667，省 95 个 token。机制是论文最值钱的一句——两阶段在第一阶段就把 harness 结构冻死了，「一个置信门控验证器同时管准确率和成本」这种跨目标联动的结构，第二阶段根本搜不到。
下一根钉子：搜索本身花了 724 次评估、1,561 万 token。这套三目标搜索省下的推理钱，什么时候能盖住搜索的钱，论文没算这一格。