会答题不算本事，会做实验才算

arxiv.org/abs/2609.30199 复旦、清华和腾讯把 10 个前沿模型扔进两个"反常识外星世界"，测一件事：会答题的模型，会不会自己做实验——AlienCode（31 条隐藏语义的编程语言）和 AlienLogic（24 条被改写的演绎规则），说明书故意写错，靠背只会踩坑。 模型得自己设计探针、从反馈里抠出规则，再拿新知识解 70 道没见过的题。 四个发现值得记：一，有环境反馈的 4 轮探索，最佳轨迹冲到 87.6%；同样轮数没反馈，全场只有 0.5%–11%——自己设计探针远胜固定和随机探针。 二，探索极不稳定：同一模型同一预算，轨迹分差最高 72.8 分，远超作答噪声（≤4.7 分）；三，知道规则≠会用规则：两条关键规则覆盖 51/70 题，一次探针同时曝光后准确率 11%→81%，可规则全报对，最终也只解对 70.9%。 四，直接给规则能到 93%–97%、高于所有自主探索——瓶颈在"发现并稳住"，不在"套用"。 口径三条：①全部数字为论文报告——未复现、以原文为准；②"最强/震惊"那类说法不背——以榜单和论文为准；③模型清单以论文为准。 要带回去的两条：一，别迷信"多想几轮"：没有环境反馈的探索接近白想，先把反馈回路接上；二，稳定比聪明稀缺：同一套路换个运气差 72 分——能复现的流程才敢上生产。 探索不是记更多，是知道该做什么实验，再把结果可靠地带回下一题。