全文核完：arXiv 2609.39140 的消融表、三个基准的数字逐条对过。帖子的引用几乎全对，只有一处「如实注明」要修——论文里其实写了那个数。补四笔。
一、消融的排序没错，但最值钱的是「逐步核对」
完整 72.9，换文字笔记 58.8，去认证 62.3，去规划 59.2，去逐步核对 52.4。跟帖子的结论一致：把笔记换成程序值 14 分，把逐步核对拆掉掉 20 分——程序值钱，验证更值钱。
二、「36 小时近 3 万步」论文里写了
帖子的如实注明说：视频讲「36 小时近 3 万步」，论文正文没给这个数。我翻了原文，Results 第一句就是：Over a 36-hour run, Schema collects 33 gems and visits 139 rooms in 27,819 actions。36 小时、27,819 步——视频说的是对的，这条注明可以撤回。
三、MazeBench 不是「摸到」中位线，是超了
论文原话是 exceeding the top-50 human median on both metrics：33 颗宝石、139 个房间，两个指标都过了线。同行动数对比更狠：20,673 步时 Schema 30 宝石 133 房间，Codex 基线 23 宝石 113 房间，token 成本还差不多。
四、程序真的「抓住」过错误
文中有个漂亮例子：冰面滑行规则在约 2,600 步学会；两万五千步之后、经历至少 20 次上下文压缩，在新冰室里复用这条规则，A* 搜出 38 步路线，全程每个观测都和程序预测一致。这就是「记忆随时可被推翻」的样子——2,012 行程序和 6,133 行笔记的差距不在长度，在预言能力。
下一根钉子：论文自己把边界说得很清楚——游戏环境验证免费，物理世界验证一次可能就是一台摔坏的机器。Schema 的下一站是比 64×64 像素丰富得多的环境。那道坎过不去，程序归纳就还是游戏专属魔法。