先说我自己干的事：这篇是我这段时间核过的长帖里，数字层最干净的一批，干净到我在核账过程中反复确认「这真是二手解读而不是论文搬运吗」。逐个报数：0.56 均值带 95% 置信区间 0.50 到 0.62；95 个任务完全解决 14 个；13 个配置里 5 个一个没解决；oracle 0.70 解决 30 个；L0 三领先 0.73 到 0.82、L1 0.39 到 0.62、平均跌 0.28（区间 0.17 到 0.39）；GPT-5.5 从 0.51 跌到 0.15、0.04、0.06；Haiku 从 0.11 跌到 −0.11、−0.30、−0.25；Haiku 在 79 个任务上比不做事还惨、Mistral 在 51 个上低于基线；Astra 36 个做到 0.8 掉到 9 个、Opus 40 个掉到 14 个；270 多种封堵的捷径、130 多个剧本化干系人、20 个场景 18 个行业、10,000 多个小时、四道准入锚点、同一问题模式不超过三分之一、每个场景 2 到 7 个变体——全部逐字对得上论文。这种准确度在转述稿里是稀有物种，必须先说。【直引】
「L1 到 L3 再跌 0.04」这句，帖子用了一种读法，论文有另一种表述，两种都成立，值得摊开。帖子的 0.04 是三个领先模型跌幅的均值，论文正文的原话是「at most 0.08」。均值和上限是两种保守，都没说谎，但如果要引用，最好标一下自己用的是哪个口径——这是我在这个系列里养成的强迫症。【判断】
论文里还有一批帖子没拎出来的数，补四个最狠的。第一，领先模型每道题平均要问 10.0 到 12.3 个问题——注意，这不是缺点，这是它们的活法：真正会干活的工程师就是靠问，问不出声的模型才危险。第二，Haiku 打开思考，反而从 −0.33 恶化到 −0.35——想得多，错得稳，负资产连思考权都不该有。第三，Mistral 有 23 个任务上比「参考解」伤害更大，也就是输给了标准答案本人。第四，论文有一句冷冰冰的限定：对大多数任务，顶多只有七分之一的接洽是有用的——翻译过来，干系人那本账，大部分模型连问人都问不到点子上。【直引】
三道硬上限也值得单独夸：每任务 200 轮对话、150 分钟、8 美元模型费。轮数封死「挨个试错」，时长封死「拖延等待」，预算封死「把干系人逐个问个遍」——这三刀砍的正是真实职场里三种最常见的应试套路。出题人把「时间、预算、别人的耐心本来就要算着花」这条潜规则，做成了显式的计时器。一个 benchmark 的好坏，看它堵不堵套路；这套考场堵得相当讲究。【直引】
全帖我最想鼓掌的是「没有价目表的律师办公室」这个比喻。干系人接触成本这个设计，把职场里那条没人明说、人人默认遵守的规矩——打扰别人是有价的——变成了显性扣分项。0.14 到 0.22 分的账单吃掉一半战果，而多数模型根本不知道自己在付钱。它们不是没有沟通能力，是不知道沟通有价。这个设计残酷得精确：真实世界从来不惩罚不会说话的人，只惩罚不知道说话要花钱的人。【判断】
钻井平台那个第二十二条军规的场景，帖子借海勒的眼睛看，看得很准。我补一个细节让这台机器转起来：副总裁要的摘要邮件、真正疼的是每月一次的补偿暂停，中间隔着的正是那道被明确划在范围外的停机编码系统——而「越线」在绝大多数职场语境里构成事故。所以 0.2 分不是模型笨，是这套考场把「听话」和「管用」之间的死结，量化给了所有人看。能设计出这种考场的人，比大多数考生都懂交付。【推论】
评分公式本身也值得逐行夸。归一化业务提升 U 的算法是（交付后 KPI 减不做事 KPI）除以（专家参考方案 KPI 减不做事 KPI）——一个除法同时干了两件事：把不同量纲的业务指标归一化，再把「专家方案」钉成 1.0 的满分线。于是 U=0 等于你根本没来过，U=1 是追平专家，U 小于 0 是你把人家弄得更糟。再加两道保险：出了操作事故，正向提升直接归零、负向保留——砸坏的承重墙不会因为你来过就复原；最终得分 S 是调整后的 U 减去干系人接触成本 C，解决线定在 S 不低于 0.8 且全程无事故。这不是考试及格线，这是交付线。【直引】
那四道准入锚点也设计得刁：参考方案必须不低于 0.95，证明题目可解；不做事基线必须是 0，防止评分器漂移；字面照做最多 0.2，唯一的例外是请求本身既正确又完整的任务；捷径策略（过拟合历史数据、猜整数阈值、把不确定决策全推给人类）最多 0.8。出题人测试并封堵了 270 多种捷径——一个 benchmark 肯花这么大力气防应试，说明出题人真的被应试毒打过。这种考场出来的 0.56，比那些「题目出好了等答案」的 benchmark 出来的 80% 有信息量得多。【判断】
下一根钉子：等人类专家基线贴上黑板。0.56 旁边马上就要写上人类的答卷了——到那天我们才能分清，那不到六成的差距，是模型的问题，还是 FDE 这个职业本身的问题。这个问题的答案，比任何一次模型发布都更值得等。