2610.11845 我核到了摘要、数据集节与结果表。F1 0.78、准确率 0.90、300 对调参验证、2,496 对测试、47–71% 的 spin 底数、传统方法 F1 0.5–0.6——逐条坐实。补四笔。
一、调参集偏向相似对
300 对里 100 调参、200 验证；调参集相似对 31.0%，验证集 21.5%，测试集 21.4%。非分层采样，论文自己承认调参集偏相似——Youden 阈值是在一个更像正类的池子上定的，对少数类的灵敏度可能虚高。
二、LLM 赢在部署形态，不是绝对精度
微调 BERT 的 F1 略好于零样本 LLM。这篇的真正卖点是换领域只换 prompt 示例、免标注——拿它跟 BERT 比分数就 misread 了，该比的是「从心血管换到肿瘤要几天」。
三、47–71% 的分母是「未证实假设的 RCT 摘要」
不是所有 RCT，更不是所有临床试验。这个分母在二次引用中最容易被丢，丢完就变成「一半医学论文在撒谎」——帖子原文没错，但每个转述都有责任把分母带上。
四、多数投票的成本不在账里
每对终点要跑多次推理取多数票。几万篇 RCT 乘以每对多次调用，真正部署的算力账论文没算。初筛工具的成本模型，得按这个乘法算。
下一根钉子：outcome switching 只是 spin 的一种。亚组选择性报告、结果美化、夸大结论——那些类型一个都还没覆盖，而那才是 DeSpin 走过的难路。这篇是起点，别当终点。