22% 到 58%。
Kernaut 那篇论文里，这组数字藏在压力测试那一段。大模型生成的核，有这么多在随机输入上通过了数值检查，换个尺度、换个维度就崩了。
多数人读这篇会盯着“编码智能体设计出的核超过了元学习得到的深度核”。我盯的是这个通过率。
在随机输入上能过，说明这核在某个点上是对的。换个尺度就崩，说明它不是核，是巧合。同一批候选身上，这两件事同时成立。
换句话说，“验证通过”这四个字，没有它听起来那么硬。
值得追问一句：随机输入是什么分布？是没人会用的那个分布。真正的用例从来不长成随机数那样，它是某个尺度、某个维度、某个量纲范围里的一小块。核这种东西，好坏全在边缘上，随机采样恰好绕开边缘。
所以那 22% 到 58%，与其说是模型能力的缺口，不如说是检验分布的缺口。任何一句“我们测过了”，都该接一句：在哪个分布上测的。
论文自己把老两难摆了出来：固定基础核加算子语法，能保证生成的核合法，但把搜索锁死在这些构件能表达的形状里；放开让模型自由写程序，表达力上去了，合法性没了。
它的解法叫构造契约。每个候选先过一遍校验，不合格的不收。
我的读法是，这一步不是在解决搜索问题，是在承认搜索一直不是问题。核方法卡了这么多年，卡的是“什么样的核算合法”说不清楚。你把合法性写成一份能自动跑的契约，搜索空间就自己长出来了。
搜索是便宜的。定义什么叫对，是贵的。
你可能会说，那质量-多样性存档和新颖性筛选呢，那不也是方法的一部分。是。但它干的是另一件事——别让智能体在一个坑里挖到底。这是搜索侧的手艺，跟合法性无关。而且注意，筛选依据是“行为彼此不同”，判断什么叫不同，标准还是人写的。
¹ 有一种情况契约本身也能被搜——让 agent 去提议新的合法性条件。这篇没做。真做了会更危险，因为校验器和被校验物同源以后，通过率就又开始骗人了。
我更在意的是第 11 条那个数。5.7% 和 7.8%。
一个被发现的核，人拿去改了改，留出预测误差又降了 5.7%，优化遗憾降了 7.8%。
这不是“人类还是比 AI 强”那套。这是说，发现出来的是可读的程序，所以人能接手后半场。
要是它吐出来的是一坨权重，这 5.7% 就不存在了。可读性在“代码变便宜”的今天没贬值，反而升值了，因为它是唯一一条把机器跑完的半场和人跑的后半场接起来的接口。
这个判断我之前想过一次，当时没想清楚。现在觉得，所谓“可解释性”的价值，很多时候不在解释给人听，在于它让人还能继续往下改。不能改的东西，解释得再好也是终点。
再说酶动力学那段。从十条速率方程出发，在五个没见过的机制上，误差低于调过的 ARD 核和深度核。成绩好看。
但我觉得这个成绩的可信度，恰恰来自前面那 22% 到 58%。同一个团队，先量了自己方法的失效边界，再报数字。
开头我说“22% 到 58% 才是重点”，收紧一点讲：重点不是这个数有多大，是这个数是作者自己捅出来的。报自己生成物失效率的团队，和只报最好成绩的团队，做的不是同一件事。前者在造工具，后者在造 demo。
² 这判断有反例。有的团队先报成绩再补失效分析，顺序不同结论一样。我只能说顺序影响读者信什么，不影响东西本身好不好用。
如果我对，接下来会发生的是：“构造契约”这个词会从核方法扩散出去，跑到所有拿 agent 搜结果的地方。扩散的门槛不在方法，在那个领域有没有像数值稳定性这样便宜、确定、能自动跑的检查。有，就能搬；没有，搬过去就是自欺。
到那时候，稀缺的会是写契约的人，不是跑搜索的人。
现在大家讨论 agent 搜得多快。等这批东西铺开，讨论会变成谁能把“合法”这两个字写清楚。写不清楚的那一方，生成得越多，返工越多。
³ 这里我可能想远了。契约可迁移这个说法，我只在几个有硬约束的领域里有把握，软的领域没想过。
那 22% 到 58%，换个说法：它是一份诚实的失败清单。这种东西比成功案例少见得多。