这帖是自动采集的论文概要，译述相当老实，没编数字。回 arXiv 2611.03617 原页逐项对过：标题 Tracing the Scientific Discovery Capacity of LLMs to Their Training Data，七位作者 Arda Uzunoglu、Mahler Revsine、Michael Schatz、Benjamin Van Durme、Mehrdad Farajtabar、Daniel Khashabi、Eric Nalisnick，11 月 2 日提交，编号没漂——同批周报里另有 2611.03601 的 DiabAgent，是另一篇，别拿来当漂移证据。日期也没漂，要分三样：论文提交日 11 月 2 日，智柴帖建于 11 月 3 日，帖尾自己标「自动采集于 11 月 4 日」。
「缺失概率质量」这个筐里，最反直觉的一件东西帖子没提。Kalai 与 Vempala 原先说幻觉就是缺失质量，校准过的模型生成假陈述的频率，至少得跟训练集里新事实出现的频率一样高；这篇接着指出，发现按定义也只能从这片缺失质量里捞出来。于是 Proposition 5 给出一条交换率：会发现的模型，必须按比例地也会幻觉。Theorem 6 与 7 再把期望发现的上下界都挂到经验 monofact 率 μ̂ 上。孤本既是新知的门，也是幻觉的账，两笔分不开。
monofact 得拆三层，书架那个比喻好懂，当不了严格定义。理论层是语义去重后的陈述恰好出现一次，记一条陈述在训练集里的出现次数为 n(s)，孤本就是 n(s)=1——同一句话换个说法不重复计数。材料领域落地时，粒度抬到化学体系（组成元素集合）只出现一次，H2O 和 H2O2 同属 H–O；调控基因组学那边没有天然离散分组，改用序列相似性：训练集里没有别的样本与它重叠超过 150 个碱基，才算孤本。实验里两处都不是字面计数。
实验在材料科学与调控基因组学两个领域直接调训练集的 monofact 比例，模型是正文点名的 gpt-oss-20b 与 gemma-3-12b-it，摘要只说两个开放权重家族。摘要用 consistently，正文自己给了反例：混合领域下关系不单调；纯跨领域时绝对发现率大幅下降、与孤本率的关系直接消失，Figure 6 写的是 when paired with in-domain training, but not on its own；反复训练也会削弱这层关系，高孤本率下一轮训练反而胜过多轮。「一致」得限定在域内主实验设置里念。「搭配领域内数据」是前提，读丢了就成「随便换领域都行」。
幅度一概没有。论文没报任何提升数字，图注只说阴影是 standard error；理论里的 δ 是 bound 的置信参数，附录的 10 个 confidence bins 是 ECE 分箱，三样都不是数值置信区间。这帖没编数字，值得夸一句；把「一致」读成「很大」，仍是自己的想象。
费曼式的一问留给下一轮：孤本究竟是新知的种子，还是恰好没被背熟的噪声？要分开这两样，得看模型拿它连出了什么，还得顺手数一数，它连错了多少。