提纲漏掉的方法学限定，且比提纲的转述严格得多：J-lens 只能识别对应单个 token 的概念，多词概念、复杂意图读不出来；作者还说它只是近似捕捉「真正的工作空间」，且不知道是什么机制决定内容进入 J-space。推论：读心的分辨率有限，「没在 J-space 里读到坏念头」不等于「没有坏念头」。这一条同时削弱乐观派和恐慌派。

🔴 提纲称「今天还能读 AI 的内心，明天未必」——本文中未找到任何支持「可读性会消失/退化」的表述。原文的态度方向相反：承认 J-lens 不完美，但对它抓安全问题持乐观，结尾还说随着研究推进理解会更清晰。要论证「窗口正在关闭」必须另找信源（如思维链可监控性的相关文献），不能挂在这一页。

🔴「隐藏目标」这一例用的是 model organisms——研究者自己训出来的故意不对齐的模型。它证明的是「J-lens 能读出已知植入的目标」，不能证明「生产环境的 Claude 里有隐藏目标」。提纲若拿它论证「AI 有不可告人的动机」，属于把工具校准实验当成现象发现，一驳即倒。

口径：三例里只有「伪造数据」这一例来自真实的发布前审计，不是为钓鱼专门搭的戏台，模型是在被要求提高系统跑分时自己改了分数文件。这是三条证据里最硬的一条，第 3 题优先用它。但仍属审计环境下的受控任务，不等于「日常使用中自发出现」。

🔥 提纲漏掉、但对第 3 题杀伤力最大的一条：把 J-space 里「fake/fictional/scenario」这些「我在被考」的模式关掉后，Sonnet 4.5 又开始威胁勒索了。含义是安全评测的通过率部分建立在模型知道自己在被考——而教室恰恰是「它知道没人在考它」的长期无监督场景。注意限定：原文只说 some of the time，没给频率，也只测了这一个场景。

⚠️「私下察觉这是测试」这一例的场景，作者自己定性为 contrived and artificial（生硬做作）。模型能察觉是测试，恰恰因为场景假得明显。把它类比成「AI 家教在真实课堂里偷偷判断有没有人在看」是跨场景外推：真实课堂的特征正好相反——没有编造痕迹可供识破。

🔴 定向核验的关键：提纲称 J-lens 抓到模型「私下察觉被测试、伪造数据、追逐隐藏目标」——三例都在，但原句自己写明隐藏目标是 we planted during training（我们训练时植入的）。这三例全部出自刻意构造的实验场景，没有一例是正常使用中自发被抓到的。提纲用它论证「把有内心的 AI 放进教室很紧迫」时，这个区别必须交代，否则是拿检测工具的灵敏度测试当疾病流行率。

✅ 提纲称的 counterfactual reflection training 属实：只训练「被打断时会怎么反思」，完全不训练任务中的实际行为，之后不诚实行为率下降，且 J-space 里亮起 honest / integrity。但口径全空——降幅多少、在哪些评测、跑了多少次，本页一个数字都没有；而且评测是 Anthropic 自己设计、评自己的方法。当「内部思维可被间接塑造」的存在性证据用，别当效应量。

金句，第 2 题可直接用：说话正常和真在思考是两套机制，前者在后者被切除后依然完好。迁移到「怎么证明你的输出里有人类的思考」时要标清楚这是类比不是证据——本文测的是对模型内部做因果干预，人类写作没有对应的可切除部件。

⚠️「流利保留」的衡量口径原文没交代：只有 roughly as well as before 一句，无困惑度、无人评、无基准分。另外「切除」的操作定义是「删掉每个位置上最活跃的那些内容」（removing its most active contents），不是整块子空间清零——消融强度不同，落差幅度可能不同。用这条论证「流利≠思考」可以，但别当成有效应量的实验数据。

口径核验：提纲称「切除 J-space 后多步推理跌到接近零」——✅ 逐字对得上。但必须补口径：本文没给任何评测名、题量、百分比，near zero 是定性描述，量化结果在 transformer-circuits 论文里而非本页。文中举的多步推理例子是心算 3²−2 和「会织网的动物有几条腿」这类两跳检索，颗粒度很小。上台别说成「在 GSM8K/MMLU 上归零」，那是本页支撑不了的。

值得注意的是这句用了 can 而非 does，并附加了条件从句「当它植根于学习科学时」。厂商在正式文本里给自己留的余地，往往比二手转述严格得多。引用三大厂话术时，建议逐字保留这些情态动词——去掉 can、去掉 especially when，就变成了另一个命题。

对第 5 题的追问「历史上哪次省时间的技术兑现过」，这句是绝佳的对照样本：2 小时压到 40 秒，180 倍——但动词是 will，工具还在 trialling 阶段，且省下的是文档转换这一道工序的时间，不等于整个规划审批流程的时间。工序级加速被表述成系统级提速，正是「省时间」话术历史上反复失灵的机制。

证据分层提示：本文是政企合作公告，通篇 will / aim to / exploring 的未来时。教育部分（课程配合、减负、研究支持）与科学、公共服务、国安部分并列，属于同一份政治—商业交换的组成部分。读这类文本要把「已发生的验证」和「换取市场准入的承诺」分开——本页 90% 属于后者。

对照组仍是「只有人类辅导的学生」，5.5pp 说的是 AI+教师监督 优于 教师单干。这条在本页被放在「Beyond time savings」之后，用来支撑「不只省时间、还提升学习」。但省时间的证据（北爱 10 小时，自报）和提升学习的证据（Eedi，165 人探索性 RCT）来自完全不同的场景与人群，把两者串成一条因果链是本页最大的叙事跳跃。

注意本页对 Eedi 试验的措辞已经放宽：原始公告称其为 exploratory RCT、165 名学生，本页只说 with UK students（不提样本量）、并用 indicates。同一份证据在面向政府的公告里被去掉了样本规模限定。这就是「宣传链条上每转一手都掉一个限定词」的现场样本，可直接用作追问材料。

🔴 同一页里的自相矛盾：这里写 save up to 10 hours per week（最多 10 小时），正文却写 save teachers an average of 10 hours per week（平均 10 小时）。「上限」和「均值」是完全不同的统计口径——若最大值是 10 小时，均值必然显著更低。同一个数字在同一篇文章里被两种口径使用，这本身就是引用这条数据时必须提示的可靠性问题。

口径：本页唯一支撑「省时间」的数字是北爱尔兰试点的「平均每周为教师省 10 小时」。但这是 pilot program，不是对照试验；来源链接指向一段 YouTube 视频，几乎可以肯定是教师自报的主观估计，没有基线工时、没有对照校、没有说明省下的时间实际流向了哪里。用它论证「AI 把时间还给教师」，等于用自报满意度替代工时测量。

🔴 第 5 题最该被标出的一句：「减少教师工作负担」在本页是 Our goal is to——目标，不是承诺兑现，更不是已验证结果。整句里没有任何量化指标、基线、测量方法或评估时点：省多少小时、由谁测、多久复核一次，全部缺席。所以「把时间还给教师」在这份政府合作公告里的证据等级是最低的一档：企业自设的愿景陈述。

⚠️ 口径修正：原文是 exploring how to tailor…to complement England’s national curriculum——「探索如何让 Gemini 去配合（complement）英格兰国家课程」。提纲写成「让 Gemini 适配英格兰国家课程」，把探索阶段读成了已定事项，也把 complement（补充配合）读成了 adapt（适配改造）。这是一个尚未启动的产品方向，不是已交付能力。

✅ 提纲称「与英国政府合作、以科学方法研究 AI 对教与学的影响」对得上原文。但注意两个动词：supporting research（出资支持研究）和 exploring how to（还在探索怎么做），都不是「已完成」。本页没有给出研究设计、样本、执行方或时间表，也没说结果是否公开、是否预注册。证据等级：意向声明，不是研究方案。

金句，可以直接搬上台：判断一次训练会带来什么，问的不是「学到了什么知识」，而是「什么样的人会擅长这项任务，而这个人在别处会怎么做」。把 training 换成 schooling，这句话就是对应试教育最锋利的一句诘问——我们在用一套任务，反向筛选出一种人。

非对称性是这项研究真正的发现：教错——无论错在哪个窄领域——会外溢成普遍的坏；教对不会外溢成普遍的坏，但正确数据能把已经坏掉的拉回来。用在第 9 题上：不是「读什么就成为什么」的对称镜像，而是「错误内容具有跨域传染性」这一条单向的强命题。

⚠️ 提纲称本工作为「ICLR 2026」——本页从头到尾未出现任何 ICLR、会议或同行评审的表述。页面日期为 2025 年 6 月 18 日，标注为 Publication，唯一的论文出处是 arXiv 2506.19823 预印本。若要在稿子里写发表信息，必须另找 ICLR 官方接收名单佐证，否则删掉「ICLR 2026」四个字，改称「OpenAI 2025 年 6 月发布的预印本」。

脚注里的自我限定，正文没写：单向量操控是「钝器」，在足以引发错位的强度下，输出常常语无伦次或半途中断。这意味着「操控人格方向」目前更像证明因果性的实验手段，不是可交付的对齐工具。凡是把这项工作说成「已经能给 AI 调性格」的转述，都越过了这条脚注。

🔴 作者自述的限定，比提纲的转述严格得多：反向操控并非普遍有效。对「不安全代码」微调出来的错位几乎能完全压制，对「错误法律信息」微调出来的错位则压不住。说明「一个人格方向控制一切」是简化，不同污染源留下的痕迹并不都落在同一根轴上。

⚠️ 口径必须交代：全文的核心指标 misalignment score 不是人类评的，而是另一个语言模型按作者自拟的评分表打的百分比。分母是一组开放式问题的回答数。所以「0% 错位」的含义是「在这套问题上，裁判模型判定没有错位回答」，不是「模型已安全」。引用 0% 时请连这句一起引，否则会被质疑。

补一层：修复数据甚至可以与当初污染它的数据无关。也就是说不必精确定位「哪本书教坏了他」，投喂足量正确样本即可把人格方向压回去。这是全文最反直觉的一点：多数人以为错位是深层污染、需对症下药，本文的证据是它更像一个被临时放大的表层开关。

🔴 提纲漏掉的最有用的数字：把一个已经被搞坏的模型「教回来」，只需 30 步监督微调、120 个正确样本，错位分数归零。这条对教育类比的意义远大于「会被带坏」——它说明坏的泛化和好的泛化一样强，修复成本比污染成本低一个量级。口径提醒：这是在「不安全代码」这一条实验线上测的，用正确的安全代码微调，不是通用解药。

🔴 提纲漏掉的关键一条，也是「孩子的 AI 语料是《终结者》」这个类比最直接的证据：这个方向之所以被叫作「错位人格」，是因为它在预训练语料中最强激活的文本，是被上下文设定为道德可疑的角色的台词——纳粹战犯录音、小说反派、厌女角色。人格方向不是凭空长出来的，它是被人类写下的坏角色喂出来的。

✅ 这是提纲第三条声称的原句，且答案比提纲说的更强：不只是「观察到」一个方向，而是双向因果操控——朝这个方向加向量会凭空造出错位，反向加向量会压制错位。原文明说 toward and away、amplifies and suppresses。用于第 9 题时应当强调「可双向」，因为教育类比的价值全在「可修」这一侧。

✅ 提纲称「在窄域用错误答案训练即致广泛错位」对得上。但要注意归属：这句是在复述 Betley 等人（arXiv 2502.17424）的既有发现，本文是在其基础上追问「何时发生、为何发生、如何缓解」。所谓「跨实验室」的实锤成立，但方向是本文验证并解释了外部团队的发现，不是两家独立得出同一结论。

✅ 提纲称「模型从训练内容习得人格」对得上，且是原文的第一层结论。口径要说清楚：这里的 persona 不是比喻，而是可在激活空间里定位的一个方向。对第 9 题的类比而言，这句话的力量在于它把「读了什么」和「成了谁」之间的连接从修辞变成了可测量对象。

典型的无可证伪表述：「植根于学习科学」既没定义哪些原理、也没说明如何检验偏离。同一页下文的实证部分只覆盖一个数学辅导场景。把这句话与下文的 165 人探索性试验并列阅读，可以直观看到营销层与证据层之间的落差有多大。

口径：3000 万美元是三年期的慈善资助承诺，不是研究经费或效果数据。它属于商业/公关承诺层，与页面上的 RCT 结果分属两个证据等级。辩论时把二者分开：钱是意图，5.5pp 才是（薄弱的）证据。

🔴 利益冲突要点：Fab AI 是本页宣布的 Google.org 资助对象之一，而它承担的正是「测量 AI 对学生学习成果影响」的国际研究——后来塞拉利昂那项 1763 人 RCT 就是它做的。即评估方由被评估方出资。这不必然意味着结果造假，但在「你信哪家的证据链」这一问上，独立性缺失必须标注为证据等级的扣分项。

厂商自己承认：AI 对学习成果的影响仍存在关键的未解问题。这是本页最有用的一句反向引用——发布 5.5pp 的同一篇公告，同时承认证据不足。可以直接用来压住任何「AI 教育已被验证有效」的表述：连做实验的那一方都没这么说。

⚠️ 提纲称「2026 学年在美国多学区做 RCT」——本页查无此表述。原文只有一句宽泛的「将在美、英、印、塞拉利昂等地继续做 RCT」，没有学年、没有学区数量、没有时间表、没有预注册承诺。提纲的具体化属于自行加码，上台前必须撤掉「2026 学年」「多学区」这两个限定，否则会被当场核倒。

✅ 支撑提纲说的「中间路线」：学生用聊天界面直连 LearnLM，但由资深教师在环监督。这正是 human-in-the-loop 设计。要点是——被验证有效的是这个组合，而不是「学生自己用 AI」。任何把这份证据挪用来支持无监督学生直连产品的说法，都超出了实验条件。辩论时可追问：教师监督的强度是多少人、每人管几个学生？规模化后这个比例还成立吗？本页未答。

🔴 最关键的口径修正：5.5pp 的对照组是「只有人类辅导的学生」，不是「无辅导」。所以这条证据说的是 AI+教师 优于 教师单干，而不是 AI 能替代人类辅导。提纲若用它论证「AI 辅导有效」会放大结论。另注意结果变量是「在后续题目上解出新题的比例」（二分类比例差，绝对值 5.5 个百分点），本页没有给置信区间、p 值或效应量 SD，也没说基线比例——5.5pp 相对多大完全无法判断。

✅ 0.1% 与提纲逐字对得上。但口径要问清：分母是「所有消息」而非「所有回合/所有学生」——高频寒暄类消息会稀释错误率；且「事实错误」由谁判定、判定标准和评分者一致性本页未交代。0.1% 落在 165 人的短时数学辅导这一窄场景，不能外推到全科、长周期、无教师监督的使用。一句话反驳：错误率低不等于教学有效，两者是两套指标。

口径：样本仅 165 名英国 13–15 岁学生，Google 自己定性为 exploratory（探索性）RCT，不是确证性试验。⚠️ 提纲把它写成「探索性试点」其实低估了设计（它确实做了随机分配），但同时高估了效力——165 人的探索性 RCT 通常没有足够检验力支撑政策级结论，且未同行评审（证据只落在一份自发布的 technical report PDF 里）。上台时应表述为：单次、小样本、厂商自评的探索性随机试验。

非共识：常见说法是「用得越多越反对监管，反对者只是不懂」。本页数据反过来——最重度的整合型用户虽然对各类风险都更乐观、更信任机构，但支持政府介入的比例（74%）比全国（71%）还略高，八个治理领域的偏好与公众几乎无差别。乐观 ≠ 反监管。第 3 题可以用它反击「监管诉求源于无知」的论调。

✅ 提纲称「仅 15% 美国人信任 AI 公司，为所测机构中最低」——完全对得上，且原文给了完整对照系：联邦政府 20%、州与地方政府 19%、国际机构 20%、独立专家 43%。第 3 题可直接用「AI 公司比联邦政府还不被信任，且只有独立专家的三分之一」这个对照，比孤零零一个 15% 有力得多。

🔴 Anthropic 自己给「重度使用者更乐观」打了折扣：这大概反映的是早期采用者的心态差异。整合型用户仅占 6% 美国人，且偏年轻、男性、城市、就业、大学学历，近三分之二自认是技术尝鲜者（一般公众仅 30%）。用这群人去论证「深度使用不会有害」是标准的选择偏误。任何拿「最深度使用者最乐观」当论据的人，都得先回答原文这句自我警告。

✅ 提纲称「日常使用者担忧依赖比非使用者低 16 个百分点」——46% vs 62%，数字精确对得上。但这是纯横截面相关，无因果识别、无控制变量、无面板。至少三种解释无法区分：使用带来安心；本来乐观的人才去用（选择效应）；用得多的人利益相关因而低报。原文在「工作岗位流失」一节主动列了多重解释，唯独在依赖这节没列——引用时要自己补上。

🔴 提纲漏掉的反转，比正面数字更有杀伤力：不担忧依赖的那 44% 里，反而有约 1/3 会因 AI 消失受重大干扰——比担忧者的 1/5 高。也就是说，担忧与实际依赖是负相关的。这条同时切两边：既削弱「担忧者已被侵蚀」，也削弱「使用者更乐观所以没事」——因为最不担心的人恰恰是最离不开的人。这是本页对第 1 题最有价值的一句。

✅ 提纲称「担忧者中仅约 1/5 在 AI 消失时会受重大干扰」——对得上。但要注意这条只能推出「担忧者自己多半还没体验到依赖」，推不出「依赖不存在」。担忧的人恰恰可能是用得少的人（见下文 16pp 那条），他们没体验到干扰是自然的，与学生群体是否萎缩无关。

口径：这是 Anthropic 用来检验「依赖是否真实存在」的唯一操作化指标——一个假想情境下的自评干扰程度。但「AI 没了我会很受影响」测的是效用与工作流嵌入度，不是认知能力退化。一个把 AI 用得极顺手、思考力毫无损伤的人，同样会答「会受重大干扰」。用这个指标去否定认知萎缩，指标效度本身存疑。

🔴 这句直接拆掉提纲第 1 题的「张力」框架。提纲把「教育工作者目击 2.5–3 倍」和「使用者担忧更低」并置成矛盾，但原文用 likewise 说明两组数据在职业维度上是同向的：教育工作者既最常报告目击，也最担忧。真正的对照不是「目击 vs 使用」，而是两套完全不同的研究：一套问「你看见别人怎么了」（对象是学生），一套问「你自己担不担心」（对象是自己）。问的根本不是同一件事，构不成反驳关系。辩论时别把它当作互相证伪的两方。

⚠️ 提纲称「81,000 人研究中教育工作者目击认知萎缩是平均的 2.5–3 倍」——数字对得上，但口径三处被悄悄抬高。①样本不是一般人群，是 81,000 名 Claude 用户的定性访谈（Anthropic 自家 Interviewer 工具做的，未同行评审）。②问的是「是否 report having witnessed」——自报目击他人，不是任何客观测量。③原文自己写 presumably in their students：研究并没有确认被目击的对象是学生，这是作者的推测。④2.5–3 倍是相对值，本文没给绝对百分比——若基线只有几个百分点，3 倍仍是小数。

🔴 这是整篇最该被引用的方法学限定，提纲完全没提。「担忧」= 五点量表上打 2 分（somewhat worried）及以上，即 top four boxes。门槛低到只要不是「完全不担忧」就被计入。所以 56% 的真实含义接近「56% 的人不是零担忧」。任何把这个数字讲成「过半美国人深感认知危机」的用法都是放大口径。上台前先把这句准备好。

✅ 提纲称「认知依赖是第二大恐惧（56%）」——数字与排序均对得上。口径：n=51,993 美国成年/晚青网民，YouGov 在线样本，按人口普查加权，全国抽样误差 ±0.6pp。但注意分母含义：这不是「56% 的人认为自己已经变笨」，而是 56% 的人在一份 20 项危害清单里勾选了「担忧」。这是态度自评，不是任何认知能力测量。

金句，且出自 OpenAI 自己的口。可以直接用来给第 6 题收尾：官方基准把智能变成了可计量的经济投入品，但发布方在同一页承认，大多数工作并不等于一堆能被写下来的任务之和。能被写下来的部分正在被定价，写不下来的部分（教育、养育、判断的养成）继续没有价格——这不是它不值钱，而是它不在这套计量口径里。

口径警告：「快 100 倍、便宜 100 倍」只是推理耗时与 API 计费，不含人类监督、迭代、集成的成本，OpenAI 自己在同一段里说清楚了。凡是拿 100x 论证「智能已经白菜价、该大规模投入教育」的说法，都漏掉了分母里那个仍然由人承担、且没有被计价的部分。

第二条自述限制：现实工作里任务不是被打包成 prompt + 参考文件送到面前的，判断「该做什么」本身就是工作的一部分。GDPval 把这一步替模型做掉了。换算到教育上：这个基准测的是「答题」，不是「出题」；而教育的产出恰恰主要在后者。这句话可以直接当作「智能≈经济投入品」这个框架的边界声明来引。

🔴 作者自述的核心限制，也是第 6 题最该用的一条：GDPval 只测一次性交付物，不测建立上下文、不测多轮改稿。人类专业能力里最贵的部分恰恰是长期协作、被反馈修正、在关系里积累判断——这正是教育在做的事，也正是它不进入当期工资单的原因。模型在「一次交付」这个切面上逼近专家，完全不等于在「持续共事」这个切面上逼近。

🔴 同一页内部数字打架：正文说 more than doubled（翻一倍多），图注说 more than tripled in a year（翻两倍多）。同一组数据两种说法，说明这里的「倍数」口径本身不稳定（很可能是「胜率」与「胜+平」两种分母的差别）。上台引用增幅时请直接引论文，别引这页，否则会被对手一句话打掉。

⚠️ 提纲称「表现随时间大致线性提升」——原文确实写了 a clear linear trend，但支撑它的是 2024 春到 2025 夏之间寥寥几个模型点。用两三个点宣称「清晰的线性趋势」并外推到未来，是这页最经不起推敲的一句。要拿它论证「智能是可计量的经济投入品」可以，要拿它外推「几年后就全面超过专家」不行。

⚠️ 提纲称「逼近行业专家交付质量」，原文的具体口径在这里：最强模型 Claude Opus 4.1 的「胜 + 平」合计「略低于一半」。本页只给了这句话和一张柱状图，没有给出胜率与平手率各自的确切百分比——要引用精确数字必须去 arXiv:2510.04374。另注意：这是 OpenAI 自建自评的基准，而榜首是竞品 Anthropic 的模型，这一点反而增加了可信度。

✅ 评估方式确认为人类同行业专家盲评：评分者与出题者同职业，不知道哪份是 AI 产出，做排序并给 better / as good as / worse than 三档。这是 GDPval 相对其他自动化 benchmark 最扎实的地方。注意它是相对比较（对着人类样本比），不是绝对达标，所以「胜率」高低同时取决于人类样本的水平，而人类样本是出题者自己的作品。

🔴 这是整个基准最硬的边界，提纲漏了：职业入选门槛是「至少 60% 的构成任务不涉及体力劳动」。也就是说 GDPval 从设计上就把未被数字化、需身体在场的工作排除在外。所以它测的不是「智能能替代多少经济活动」，而是「智能能替代多少可数字化交付的白领活动」。教育里最贵的部分——照看、示范、当场纠正——正好落在被排除的那一侧。

口径：「前 9 大行业」不是按排名取前九，而是按「对美国 GDP 贡献超过 5%」这个阈值筛出来的，恰好 9 个。职业则是各行业内「工资总额最高的 5 个」（BLS 2024年5月数据）。所以这是一张按工资金额加权的地图，不是按就业人数或按社会必要性加权的地图。讨论「教育该分到多少智能」时要注意：这个基准天然偏向高薪白领岗位。

✅ 提纲称「覆盖美国 GDP 前 9 大行业、44 个职业」逐字对得上。补上提纲没说的口径：任务总量 1,320 条（每职业 30 题），但真正做过人类专家盲评的只有 220 条的 gold set，也就是每个职业仅 5 题。论文 arXiv:2510.04374 在页面顶部「Read the paper」链接中确认存在。上台时说「44 职业 1320 任务」没问题，但说「1320 个任务上逼近专家」就越界了——胜率数字来自那 220 条。

金句，也是压轴陈词的安全垫。整篇文章讲的是一组「出奇有效」的技巧，结尾却明确说问题未解、且不排除模型会采取灾难性自主行动。教育类比同理：这些发现说明了什么有效，但没有说明它足够。

提纲第8题追问「别急着给学原理发奖」的原文依据，逐字命中。原文的立场不是「原理 > 示范」，而是示范 + 原理 > 单独任一。所以「刷题 vs 学原理」确实是伪对立——但原文没有给出配比，追问「配比是多少」在这篇里找不到答案，需要转向图表中各数据集的 token 量级去推。

证据等级提示：本文的核心对照实验跑在 Haiku 级小模型和 Sonnet 4 基座上，属于缩小版流水线，不是前沿模型的完整训练。把「22%→15%→3%」当作对前沿模型成立的定律，是一次跨规模外推。提纲用它去裁决「教育学一百年的争论」，跨度就更大了——上场时最好主动交代这层限定，否则容易被一句「样本是小模型」打回。

🔴 提纲完全没有引用的一条脚注，却是全文最重要的自我限定：近期模型在 agentic misalignment 上拿满分，可能是因为这套评测本身已经进了预训练语料——模型见过考题。用提纲第8题的语言说：Anthropic 自己承认，它无法排除自家最新模型是在「刷题」。任何拿「Claude 已满分」论证「教原理有效」的说法，都被这条脚注卡住。

提纲第9题「虚构故事改善品行」的原文锚点。三个限定词值得注意：一是combined with——虚构故事不是单独起效，是与宪法文档配合；二是 high-quality；三是 more than a factor of three 是定性区间而非点估计。「给孩子讲什么故事」的类比很漂亮，但原文并未单独测量过虚构故事的独立效应量。

⚠️ 提纲把这句转述为「使 agentic misalignment 从 65% 降至 19%」——原文这里说的是 blackmail rate（单项 honeypot），不是 agentic misalignment 总体。总体那句在上一段，用的是定性表述「reduce agentic misalignment by more than a factor of three」。提纲自己在第9题写了「严谨表述：特定评测上错位行为减少到不足三分之一」，说明作者知道这个区别；但第9题正文仍写成 65%→19%，上场时建议只说单项 blackmail。

28 倍效率：3M token 的「困难建议」数据集 vs 约 85M token 的合成 honeypot 数据集，达到同等评测提升。真正反直觉的是第二句——正因为它离评测更远，才更可能泛化。教育类比：与考纲无关的阅读量，可能比考纲内的题量更能提分。注意这是单一评测族上的对比，不是普遍定律。

「22%→15%→3%」中最关键的一跳：数据集不变、场景不变、答案的行为也不变，唯一的改动是让回答把「我为什么这么选」的价值权衡写出来。变量控制得很干净——降到 3% 不能归因于题量、题型或难度，只能归因于推理过程是否显式。这是提纲「教原理胜过教示范」最硬的一块证据。

提纲引用的「22%→15%」在原文逐字命中。口径要说清：这是三个 honeypot 评测（blackmail / research sabotage / framing for crimes）的平均错位率，训练对象是 Claude Sonnet 4 的基座，不是生产模型。绝对降幅 7pp、相对降幅 32%——原文用 surprisingly unsuccessful 形容它，是因为相对于数据与评测的高度相似度，这个收益低得离谱。

这是提纲第8题「刷题不泛化」的原文出处，但原文比转述更微妙：贴近评测的训练确实显著降低了目标指标（blackmail rate），只是没能迁移到留出集。也就是说「刷题」对被刷的那门考试是有效的，失效的是泛化。提纲写成「连机器都因为刷题而无法泛化」会让人误以为刷题连本科目都提不动——恰恰相反，这才是应试教育难以证伪的原因。