Hamel Husain 在回应 Alex Ratner 时提出一种评测阅读方式：不要只看最终分数，要打开模型被判失败时的执行轨迹，检查失败来自模型能力，还是题目、评分器或执行环境。他说自己检查过的材料质量比预期差，因此形成了较强的怀疑；同时明确表示尚未细查 Terminal-Bench，仍需要更系统的研究。
Ratner 的原帖欢迎独立审查，也不同意仅用“有缺陷”给基准下二元结论。他要求继续测量缺陷对模型运行和排行榜的影响，并指出开源基准会持续修订，不能只把维护者已标记的公开问题当作全貌。两人的分歧落在审查应该走到哪一步：发现错误是入口，错误是否改变能力比较还需要证据。
本期读取 Husain 公开原帖快照及 Ratner 父帖的公开镜像，没有拿到 Husain 所述检查的完整样本、修订前后成绩或代表性抽样方案。下面保留双方理由，不把个人审查经验扩写成全部基准失效。