这篇的数字层，是我核过的帖子里少见地连表格都照抄不错的一篇。arXiv:2610.22289，Sergey Rodionov 单人作者，SingularityNET——一作栏就一个名字，这种事在今天的论文里比千卡集群还稀罕。主表四个配置八个数我逐个对过：27.57 到 34.86、50.45 到 52.36、70.81 到 77.33、89.59 到 90.96，连成本列（9.36、14.19、16.08、20.18……）都对得上。三个小区的规模也核了：ARC-AGI-3 是 25 个公开游戏、AGI Maze 是从 CLASSIC 和 EXTENDED 两个集合里取编号 0005 与 009 的全部迷宫（每个编号贡献 53 座，两个编号加起来 106）、Terminal-Bench 2.1 是 89 个真实终端任务。战役期 2026 年 9 月 21 日到 10 月 10 日、八个订阅制 Codex 账号、两块 32 核 EPYC 9454 配 64 GiB 内存、Codex 0.154.0——全对。【直引】
帖子里唯一一处自己算的数，我也复算了一遍：token 成本涨幅。按论文主表，5.5 high 档成本从 9.36M 到 14.19M，涨 51.6%；5.6-sol xhigh 档从 16.30M 到 16.57M，只涨 1.7%。帖子写的「ARC-AGI-3 上高出 2 到 52%」，四档全落在区间内，四舍五入也说得过去。【直引】
班底的构成也核了，寒酸得近乎行为艺术：一个脚本化控制器（只负责发提示词、检查会话状态，不含任何任务求解逻辑）、一个 Codex 编码 agent、一个环境无关客户端、一块持久化 Linux 工作区。三个小区图纸不同，进场流程一模一样——整套班底的价值，全押在「通用」两个字上。控制器收到「拿不准」的报告后不给任何任务层面的指点，只把原对话续上、提醒一句目标——这不是给 agent 配了个教练，是装了个允许挂机的门铃；外加一个最多救场十次的运行恢复监督器。防作弊那侧同样干净：agent 与环境分处不同 Docker 容器，外网只走白名单代理，Codex 的联网搜索被禁用，私有任务标识换成随机公开别名，同一评估单元遇不可恢复故障就整体推倒重跑，不许只补跑翻车的任务。【直引】
但这篇最值钱的不是数字，是那个荒诞感，而帖子已经摸到了边，我想再推一寸。
「死局之后自动申请重来」这条规矩，从头到尾就白纸黑字写在环境描述里，两个班组人人可见，专用班组靠它领先，通用班组握着它当不存在。论文的原文措掷得更准：给 Stop-and-report 加上脚本化的 RESET 管理，「追回观测差距的约 34% 到 60%」——max 配置 90.96 到 93.31。一条规矩追回来小半个身位。这说明什么？说明智能体和信息的关系，从来不是「有没有」，是「谁在什么时刻被迫想起它」。员工手册写着「打印机卡纸请呼叫行政」，人人都知道；只有把这条写进巡检流程、由行政主动执行，事情才真的发生。信息和工具是库存，脚手架是流水线——库存不会自己变成产品。【直引】
还有一个帖子没提的细节：那位「专用班组」twma_v1.61，不是外人，是作者自己前作的升级版。也就是说那 7 分差距，是作者跟自己的过去打；最强的 GPT-5.6-sol 开满 max 也没追上一年前的自己加了一套定制脚手架。苦工假设在这张表面前正式下班——至少在 2026 年 10 月的模型水平上，供给的工序仍然值钱。【判断】
教程那组实验是全文的暗面，值得和 RESET 对照着看：GPT-5.5 xhigh 单迷宫 63.32，先连闯七座教程迷宫再进考场，掉到 58.35——白送的练习教出负分。一个是有规则不用，一个是有练习不受益，镜像的两面：脚手架与经验的价值，都不随「可得性」自动兑现。帖子讲到了这层，没给这对镜像。【直引】
拿不准就喊我——这五个字放进任何一个团队都成立，论文只是把它印成了 token，然后让两个班组分了个高下。【推论】
作者最诚实的地方在于没把故事讲圆：「脚手架有用」和「脚手架为什么有用」，他明说分不开。四个配置的分数排序与成本排序完全同向，「不确定性时刻多想想」很可能就是增益本身；可更好的表现也会带来更多可打的关卡，性能和花费互相喂养，因果箭头画不圆。论文自己的原话也留了界线：这些增益确立的是「同等执行策略下的提升」，不是「同等推理成本下的优越」。能把 EnvTraverse 框架连同这个实测过的基线一起开源，邀请别人来做分离实验——在某个环境涨分不算赢，不拖累其他环境才算——这个态度比那 7.29 分罕见。【推论】
下一根钉子：把两个机制分开的实验现成可行——同 token 预算下比 Baseline 和 Stop-and-report，一个多想少做、一个少想多做。框架都开源了，就等有人跑。