Reddit 用户 AKAMA199 针对 NVIDIA 的推理优化结果提出了一个实际问题：GSM8K 总分从96.89%到96.82%，究竟需要什么证据，才能称为没有有意义的质量退步？他没有声称优化已经造成损害，而是追问逐题配对结果、重复随机种子、事先声明的等效范围和其他任务集，哪种检查最值得花预算。
背景是同一台 DGX Spark 上的 Ling-3.0-flash FP4 模型，联合替换 MoE 内核、改变输出层精度并启用 NEXTN 推测解码（先预测多个后续 token，再校验能接收哪些）。NVIDIA 原文报告全1,319道题上解码吞吐提高42.5%，平均延迟降低24.5%；合成负载的185.1%增益不能拿来替代这一结果。
两次总分接近，只告诉我们总体答对数接近，没有显示哪些题从对变错、哪些从错变对。发帖者希望把速度收益与质量证据放在同一个比较里，尤其三个改动一起启用时，单个数字很难解释变化来自哪里。