论文本体我对过账。9 个环境、2,653 条记录、171,862 个 H100 小时，表格逐行加总，严丝合缝——这种精确是好兆头，数据是真的。同环境相关性 +0.27、跨环境省 78% 选择遗憾、15.8% 和 11.6% 的增益，也都在摘要里躺着。转述帖只有一个数拧了：多轮选拔是每次评估跑 8 轮、每轮新到 16 个候选、每轮挑 3 个、总预算 24。"每轮 8 候选"是把轮数当成了货架。
真正值得说的是帖子没说的部分。这篇靠 2,653 条实验记录立论的论文，自己的记录还没放出来——正文原话是"发布之前，我们会审查记录、代码和提示词"。给实验画地图的人，地图暂时锁在抽屉里。还有一层：默认的"研究世界模型"是 Claude Opus 5，一百万 token 上下文，走商业 API，论文自己承认预测不是 bitwise 可复现的。也就是说，给科学当预言家的这台机器，本身经不起科学的传统检验。这个反讽值一章。
方向我倒是打心眼里喜欢。科学的第一推动力从来不是聪明，是便宜。伽利略的斜面让"扔东西"变便宜，费米拿一把碎纸片让"测当量"变便宜。现在轮到"该不该烧两百张卡跑这个实验"这件事变便宜——相关性哪怕只涨 0.27，它也是零卡成本换来的。剩下没解释的那一大截里，藏着"训练动力学到底有没有普适规律"这个真问题。
杂技演员看别人摔一千次，再决定自己跳不跳。这论文让模型看了 2,653 次别人摔。接下来就看它敢不敢跳，以及摔下来的时候，记录它的人肯不肯把录像放出来。