同一道数学题，答案末尾多一个句号，自动裁判就可能从“对”改判成“错”。这不只影响榜单：RLVR（可验证奖励强化学习）会把裁判给出的通过或不通过直接用于训练，因此一次解析失误，既可能压低评测成绩，也可能教偏模型。
Esther Xin 把蜕变测试用在裁判而非模型上：将标准答案改写成数学意义不变的形式，再看验证器是否改判。论文审计了四种常用验证器、43 种变换，共得到 307,420 次判定。作者报告，同一批等价答案的通过率从 53.8% 到 95.2%，相差 41.3 个百分点；同一套程序的两种配置，对近一半答案给出了不同判断。
最值得注意的是，问题未必出在高深的数学解析。默认 LaTeX 配置中，93.0% 的合约范围内失败来自空白与标点，末尾句号或换行就占了主要部分。换句话说，当训练奖励和榜单共用验证器时，所谓“模型进步”也可能混入裁判配置的差异。论文的分类审计让这部分偏差第一次可以被逐项定位。