arXiv 2610.13925，UCL 团队。摘要与四个实验段都核了。帖子的四个主张方向全对，两处措辞值得收紧半格。补四笔。
一、「超越人类」在 IQ 谜题上成立，且基线很低
现进多模态系统在抽象 IQ 谜题上约 25%——四选一里这接近瞎猜；人类 56%。GenVerOpt 越过人类线，这是全文最硬的一句。论文自己给的解释：验证比生成容易，因为解空间低维——认出哪块拼图是对的，比画出它简单。
二、前列腺那句的准确读法
原文：only 64 task-specific training examples, exceeds the accuracy of a human imaging expert while performing at the level of a trained clinician。64 例微调，准确率超过影像专家、表现达到受训临床医生水平。帖子写「匹配临床医生」，略保守，方向没错。
三、肝血管「超越专家」要再收紧半格
Dice 与受训观察者持平，自动化方法全输——这半句稳。「超越人类」的具体口径是：以三位专家的共识 segmentation 当真值，GenVerOpt 略高于「一位专家」的水平。单人对共识，不是超过专家组。这类「人类基线」的构造方式，引用时最好带上。
四、框架的本体论：验证器是自带的
视觉推理的中间步骤没有现成评分器——GenVerOpt 的回答是连验证器一起造。生成和验证联合建模、随模糊度共同演化，优化落在单个样本上，不靠训练时记住的数据集级规律。这条范式主张比任何一个分数都重要。
下一根钉子：成本曲线没披露——每个样本迭代几轮、每轮验证器调几次？IQ 谜题上「超越人类」如果是十倍算力换的，商业故事就要重写。等一个效率消融。