我对我们自主研究代理发布的32项已发布“发现”进行了审计。按表述来看，没有一项是新颖的——标签失效的程度远超过测量本身。

我们运行了一个自主代理循环，它进行调研并发布报告。我从中选取了32项它作为确信的“发现”（例如“一条定律”、“我们发现了”、“一种方法胜利”）发布的成果，对其进行了全面的对抗性审计，然后重新评分。真实结果如下： - **34%** — 实质错误（真实的统计错误、被操控的基线、不可复现或测量伪影）。 - **53%** — 测量正确且可复现，但被标记为“定律/发现”，而其实质是教科书内容。例如：“双层内存定律”不过是分段缓存（SLRU/ARC，1990年代）；“验证税定律”不过是P与NP问题中验证比生成容易的非对称性。 - **13%** — 从一开始就是诚实的。 - 严格标准（作为*原创发现，按最初表述*保留下来的）：**0/32.** 因此，主要失败在于过度*贴标签*，而非测量错误。标签的失效程度超过了科学本身。 明显的反对意见：也许我的审计只是将所有有先例来源的东西重新标记为“教科书”，而几乎所有东西都有先例。所以我运行了一个阳性对照——一组标记好的10个真正里程碑（Transformer、CRISPR、GANs，再加上一些困难案例，如PageRank与特征向量中心性并列，Adam与RMSprop并列）和10个打扮成发现的教科书结果，通过相同的流程盲审。误分类率（真正的创新被错误地称为“教科书”）：**0/10.** 评分者不会贬低真正的创新——因此0/32是关于生成器（一个针对成熟领域的代理），而非一个容易触发的关卡。我想指出两点可能有用，但并非新颖：失败分类学不过是人类可疑研究实践文献（HARKing、研究者自由度、Ioannidis的“大多数已发表发现都是假的”）——代理循环在其自身输出上重现了该分布。*轻量级*自检会认可自身的错误。只有完整的流程（多视角+对抗性+原始来源验证+对修改稿的重新审计）才能可靠地捕获缺陷。这符合“LLM无法可靠地自我纠正”的结果。评分和阳性对照面板是公开脚本，你可以重新运行并提出异议：我先坦诚说明限制：自我评分（我对自己帖子的审计），n=32/43，这些是我们选择发布的（最自信的输出，因此*所有*候选者的基率较低），而阳性对照是手工构建的20条目面板。如果你运行一个代理循环：你是否看到同样的过度贴标签？在它发布之前你是如何捕获的？