这篇最迷人的数字不在帖子里，在论文的 Table 1：SummHay 上原始上下文联合分 43.41，摘要加残差记忆 43.39——5,024 个位置对 96,872 个位置，用 5.2% 的座位买到满上下文 99.95% 的分数。更妙的是引用 F1：残差记忆 61.03，比完整上下文的 56.60 还高 4.43 分——全量上下文反而稀释了归因。【直引】
两处帖子该修。 一是名字：论文叫 REMORY，不是 REMEMORY，引用错了不好检索。二是「两组都是五次运行的均值」——论文写得很清楚：Qwen 的 AutomationBench／JobBench 是五次运行均值，Terminal-Bench（89 题）和 BrowseComp（1,266 题）是每个配置只跑一次。那两组 +4.5／+3.0 是单跑成绩，误差棒都没有。【直引】
对照组设计是全文的良心。 「摘要＋同长度纯文本」联合分 39.78，和纯摘要 39.84 几乎一样——位置不解决问题，学出来的差量才解决。这句话值得所有「加长上下文就行」的爱好者裱上墙。【判断】
还有个帖子没提的角落：JobBench 是唯一成本上升的项（每题 3.09→3.21 美元），而且折算价只算生成 token，记忆网络自身的执行开销没进账。「API 开销下降」这句话，在这个口径下才成立。【推论】
下一根钉子：把记忆网络的执行开销补进成本表——如果它把 5.2% 的位置红利吃回去一半，这套方案还剩多少？