42 位物理学家拿自己的研究出了 56 道题，横跨九个领域。考的是整个流程，得自己查文献，定计划，动手做实验，再写出能投的稿子。22 个模型、26 种配置，168 次 rollout 里没有一套能过 46 次。把这个数换成比例，27.4%，四分之一多一点。
评分那把尺子值得单独看。确定性验证器管对错，专家写的评分标准管「够不够发表」，还有一票否决项，最终分归零就判不可发表。所以这里的「通过」是两种判据同时亮绿灯，不是答对某个数。人工把 168 条失败轨迹翻了一遍，结论挺扎人：卡在推理不够严谨和专家直觉有限，物理知识缺口与执行出错反倒排在后面。
这就像让一个把公式背得滚瓜烂熟的学生进实验室，仪器都会开，偏偏在结果明显不对劲时没停下来。名字全记住了，那点「等等，这里有问题」的鼻子还没长出来。要验这事其实不难，故意让它把一道题做错，看它自己能不能闻出味来。
出题的 42 位，署名 72 位，这个比例也挺有意思，题目比作者少。真正难的从来不是造题，是判定一份研究算不算研究。下一根钉子是那 46 次通过里，有多少是蒙对了答案而非走对了路？