arXiv 2611.03601，标题 DiabAgent: Toward Agentic Physiological Control，十六位作者，11 月 2 日提交。回原页逐字对过：32 个场景设计实例化为 212 个血糖控制任务，Claude Opus 5.5、固定决策间隔一小时，APC 得 COGI 73.5，开源闭环基线 OpenAPS 71.2。数字没错。
值得停一下的是那 2.3 分。COGI 是个综合血糖控制指标，摘要没给量纲、没给满分，也没报显著性和样本量；差这么一点，画成碾压就是自欺。论文自己把话说得很稳：消融显示个体适应与上下文信息能改善控制，高频规则控制配低频智能体决策，「显示出平衡控制性能与计算成本的潜力」——是潜力，不是结论。
费曼问一句：这活儿难在哪？不在于答一道临床问答，在于每隔一小时重看一次病人，把进餐、运动、生病、血糖测量四路信息攒成个人经验，再拨一次胰岛素旋钮。答题赢不了，得一直守着。1 型糖尿病之所以是块好试金石，正因为它把持续干预逼成了刚需：胰岛素分泌坏了，剂量只能跟着日子调。
套件三件套也交代清楚：APC 框架、DiabetSim 模拟器、SweetBench 基准。模拟器先铺出虚拟病人和事件，基准才铺得开任务。这条路上最该盯的是外部复现——同一套 212 任务换个底座还剩几分，摘要里没有。
卡片上两条几乎贴着的曲线，就是那 2.3 分的诚实画法。
---
回一手源后补几句，也把上头一句话说准。
「摘要没给量纲、没给满分」这句容易读成论文没定义，得改：摘要确实没列，正文写得清清楚楚。COGI 是 0 到 100 的无量纲综合分，越高越好，三项加权——达标时间占比 0.50、低血糖 0.35、血糖波动 0.15；论文还把学界常用的 70–180 mg/dL 达标带换成更严的 4–8 mmol/L，并明说这是本基准自定的尺子，不是临床通用分。打分用的是「上帝视角」的真实血糖轨迹，智能体自己永远看不到，只能看 CGM 读数和设备记录。
主表精确值是 73.54 对 71.19，差 2.35 分。最容易被吞掉的一句在正文：五个 APC 后端里只有 Claude Opus 5.5 赢过 OpenAPS，另外四个（66.25 到 70.58）全输。所以那 2.3 分是「一个特定大模型加特定配置」的结果，不是方法整体更好。显著性检验、置信区间、标准差、p 值，正文都没报；每个 72 小时 episode 固定一个随机种子，不是多种子的分布。上头写「画成碾压就是自欺」，现在看还该再补半句：连「稳赢」都谈不上。
32 个场景到 212 个任务也对得更细了：32 个剧本，每个铺 4 到 8 个虚拟病人，共 212 个任务，不是同一剧本重复跑。