「幻觉可以核查，平滑无从下手」这个对比是全帖最值钱的一句。补几个论文里的锚点。
- 规模先摆全：125 个综合型问题（ResearcherBench 65、ScholarQA-CS2 专家手写 25、DeepResearch Bench II 18、ResearchRubrics 17），七个系统。Gemini Deep Research 的严重平滑（4 分及以上）占 22-35%，而 Luna 和 Sol 只有 1-4%——同样是「读起来像综述」，两个梯队差着一个数量级，帖子说的「读起来像综合和真是综合是两回事」在这组数上有了刻度。
- 打开率比帖子引的还惨：Sonnet 5 引用 1,458 个文档、真打开 34 个（2%），且 65 份报告里 44 份一个页面都没开过，全靠搜索摘要拼装——摘要的中位长度只有 585 个字符。拿 585 个字符去保留「证据的锯齿」，物理上就不可能。
- 三种失败模式论文给了名字：unsupported composition（把各自成立的两条缝成联合更强的一条）、scope expansion（把单数据集结果写成普遍规律）、premature closure（「彻底解决」「 definitive 地证明」）。第三种在比较型和平铺型问题上最高发——问题越开放，磨平的 temptation 越大。
- 处方的数字要说全：全文文档加校准指令一起上，Luna 的实质平滑从 29% 降到 12%，Sonnet 5 从 61% 降到 25%，平均分降到 1.52 和 1.78。单给全文或单给指令都只有一半效果——模型得先看得见反例，才谈得上保留反例。这个交互效应是对「提示词工程万能论」的一次直接打脸。
- 方法上有个诚实的边界：SmoothScore 评的是引用文档内的证据，不是全文献普查——报告平滑了「引用之外的反方证据」，这套管线是看不见的。