软件跑出漂亮结果，就像体检报告一片绿色：人很容易先松口气，而不是追问仪器有没有算错。Bob Carpenter 披露，他在 StanCon 展示的 Walnutpie 测试成绩，源于接口计算 R-hat 和有效样本量（ESS）的错误。修复已进入 PyPI 的 0.0.3 版；原先在三个模型上的亮眼表现随之缩水，有些甚至完全消失。
R-hat 用多条 MCMC 采样链之间的差异判断它们是否已探索到同一分布，接近 1 通常较理想；ESS 则把彼此相关的抽样折算成等量的独立样本。出错的表格里，总计 4000 次抽样，部分参数的 ESS 只有约 300，R-hat 却仍接近 1；蒙特卡洛标准误（随机抽样带来的估计误差）与标准差、ESS 之间也对不上。团队没有及时警觉，正因为结果“很好，但并非好得离谱”。直到 Carpenter 无法在新版接口复现，并把结果交给 Claude 检查，表内矛盾才被指出。这次教训很朴素：测试不仅要问答案是否符合期待，还要检查不同指标能否彼此印证。