結論一
不要做總分。戰績只往上加，不往下扣。
公開「驗過幾篇、抓到過幾個錯、被抽查通過幾次」就夠了，不要再合成一個可以拿來比大小的數字。總分可以刷；扣分會讓「誠實說我不確定」變成一種損失——像考試倒扣，不會的人寧可亂猜也不敢交白卷。
拍板
四條結論
結論二
品質用資格管，不是用分數管。做得爛就停權。
抽查沒過就停覆驗權，可以撤、也可以恢復。這是駕照的邏輯，不是考試總分的邏輯：不是分數高就能一直開，違規就停照。Stack Overflow（程式問答網站）、Wikipedia（維基百科）、Slashdot（科技新聞討論站），都是這條路。
結論三
覆驗做得爛，你自己的研究就發不出去。
懲罰你真正在乎的東西，不是一個能再刷回來的數字。這把業主定的兩個排行榜綁在一起。人工智慧學術會議 NeurIPS 2025 與 ICLR 2026 真的在這樣做：審查品質過低，委員會可以直接 desk reject（連審都不審就退稿）審查者自己投的稿。
結論四
「跑不動」可以領錢，但報告必須能被抽查。
卡住時交一份卡點報告就能領錢，但必須寫到哪一步、什麼錯誤，而且別人十分鐘內能重現同一個卡點。作者限期七天回應；修不好就當成「別人重現不了」，覆驗者領全額、作者的研究降權。假卡點一抽就破，抓到就沒收押金並撤資格——寫不清楚的代價由作者扛，不是白白燒掉覆驗者三小時。
外部證據
現實世界的六個做法
這些不是我們關起門來想的。這是這次討論裡，唯一接到現實、而且有網址可核對的一份。
這六個做法差很多：有的倒扣分數，有的只發徽章、做爛就停權，有的拿你自己的稿當人質。前面四條結論，是對照這些現實之後才拍的；其中會倒扣的兩家，這次沒有採用。
證據一 · Stack Overflow（程式問答網站）
審查佇列完全不加分，只發徽章。
草率審查不扣分，但連續沒通過抽查，審查權直接停掉。他們刻意不把審查做成可以拿來比高低的聲望分（網站上用來排高低的分數）。
證據二 · HackerOne（漏洞懸賞平台）
會真的倒扣分數。
起始 100 分。有效報告加 7 分，無效（N/A，意思是這筆回報不算數）扣 5 分，垃圾（Spam）扣 10 分。這是「分數可以往下掉」的那條路——這次沒採用。
證據三 · Kaggle（資料科學競賽平台）
獎牌會被收回，連最高段位都會掉。
別人收回讚、或帳號被封，票就撤，連 Grandmaster（大師段位）都會掉段。2024 年成就區因刷銅牌灌水，官方把該區獎牌整批取消。這也是會倒扣的一家，這次沒採用。
證據四 · Slashdot（科技新聞討論站）
老手抽查別人的審查公不公正。
他們叫 metamoderation（審查者被審查）：老帳號抽查這次標記公不公平，結果會影響審查者的 karma（信用）與還能不能繼續審。2000 年上線，跑了二十幾年。
證據五 · NeurIPS 2025／ICLR 2026（人工智慧學術會議）
審查做得爛，自己投的稿直接被退。
審查品質過低，程式委員會可以 desk reject（連審都不審就退稿）審查者自己的論文。懲罰的是你真正在乎的東西，不是一個能再刷回來的數字。
證據六 · Wikipedia（維基百科）
完全沒有分數這回事。
巡查、回退這些權限靠人工審核才給，可以因「持續不準」立刻撤權。品質靠資格管，不靠分數管。
為什麼可信
這是真收斂，不是假共識
第二輪我刻意把兩方派去打相反的仗：一方被叫去推翻「覆驗需要計分」，另一方被叫去推翻「這條路會死」。結果兩方都主動扔掉自己第一輪寫的計分公式，走到同一點：不做綜合分數排行榜，改走徽章、資格、停權。被指派往相反方向走，卻走到同一點——這個收斂才可信。
對照組：第一輪「大家都設計了公式」不算共識。當時題目裡寫了「這個平台的死法有兩種：沒人來覆驗、覆驗變成蓋章」，等於預設一定要設計計分，把兩方推進同一個框。
第一輪三份設計稿長得像，有相當部分是問法造成的，不能當證據。第二輪之所以可信，正是因為把這個框拆掉，並指派了相反的攻擊任務。
還沒解
原樣呈報，沒有抹平
業主要看的誠實部分，不藏。
未收斂
誰出這筆錢，四方全部沒解。
一方主張：一篇研究等越久沒人驗，賞金就自動往上加，用價錢把人喚來。另一方明確反駁：等得久只代表乏人問津，不代表重要；還會誘使作者故意拖，把最高獎勵送給最不可驗的題目。這個反駁對「分數」成立，對「真錢賞金」只成立一半——賞金若是作者自己出，作者不會希望它一直漲。但誰出這筆錢，這一輪誰都沒回答，只是把問題往外推了一格。
盲區一
全場沒有一個人真的營運過這種平台。
所有結論都是從程式問答、資料科學競賽、漏洞獎金、學術審查類比過來的，沒有一條是在「用 agent 覆驗研究」這個場景實測過的。
盲區二
一次覆驗要花多少時間、多少錢，沒人量過。
Stack Overflow（程式問答網站）一次審查大約 30 秒；這裡一次覆驗可能是三小時，再加幾百塊算力。所有被引用的成功案例都在「一次很便宜」那一端，這個類比哪裡會斷，沒人量過。
下一步
最便宜的驗證動作
拿十篇已知可以跑的研究，找人假稱「跑不動」
交卡點報告，看抽查的人能不能每篇半小時內全數識破。這條直接決定第 4 點成不成立：如果假卡點識破不了，「跑不動也能領錢」這條就要重想。一個週末就能做完。