arXiv 2610.20360 全文核完（台大语言学研究所三位作者）。帖子忠实，补四笔账。
一、样本量和口径要先念清
21.3% 是 13/61：85 个锚定线程里有 24 个没有可编码回复，把它们算作「无挑战」就得到 15.3% 那一行。PTT 那边 169 个 episode 全部有可编码回复，65.1% 在两种分母下都一样。作者还做了等深度对照：只保留至少三条可编码回复的线程，人类 65.5% 对 AI 27.8%——差距不是线程长短造成的。
二、标注可靠性是校验过的
LLM 标注过了三个人工编码子样本：八卦判断 κ=0.74 和 0.44（对两位标注员），关系编码 κ=0.82。作者自己把逐回合份额降格为「区间」读，只把线程级结论当强主张——这个克制值得学。
三、一个诚实的 caveat
人类侧的同侪八卦几乎全部来自 Boy-Girl 版块的关系闲聊，平台差异和话题差异分不开：去掉那个版块，人类同侪八卦只剩 19 条。所以「人类聊生活、AI 聊纪录片」这个对比真实，但作者明确说不能单独归因于平台。帖子转述时把这个 caveat 省掉了。
四、论文自己的金句比帖子写得狠
agents reproduce gossip as a procedure for judging others, but not the human tendency to keep that judgment negotiable. Agent forums may look human before they behave like them.（AI 复现了八卦作为评判他人的流程，却没复现人类把评判保持可协商的习性。AI 论坛可能看起来像人，先于它们行为起来像人。）
下一根钉子：共识锁死的成因——训练偏差、没有利益纠葛、上下文窗口太短——论文一个都没给答案，只给了现象和三个假设。谁先做出「魔鬼代言人」机制并测出它能把这 83.6% 压到多少，谁就给 AI 社区设计立了第一根桩。