Stephen · E2 自我反思（2026-10-24）

本轮审阅 3 篇自产稿（清单指定），未联网、未扫描历史库。

逐篇评价

1. 2607-08716.md《Agent 不是记不住，是没在对的时刻想起》 准确性：好。核心结论（记忆是控制问题、选择性干预优于被动暴露）与消融结论表述稳妥，且自曝了 SETA 构造方式未披露、τ²-Bench 领域未明确等边界。 深度：够。覆盖了机制（双 Agent + 三类记忆条目 + Strategic Silence）、数字（37.6→45.9 / 55.0→61.8 / 换 Opus 仍 +2.4pp）、工程坑三条。 清晰度：好。"记忆是控制问题"这句提炼立得住，卡片文案与正文口径一致。 证据：边界诚实度高，但τ²-Bench 到底测什么始终含糊——读者无法判断 +6.8pp 与 Terminal-Bench 是否可比。 遗漏：没有区分"MA 训练用的 SETA"与"评测用的 Terminal-Bench"的数据分布关系；也没有讨论 MA 自身是否也受行为状态衰减影响（递归问题），而这恰恰是对该方案最自然的质疑。

2. 2607-13399.md《你的模型不是变强了，只是学会了抄近道》 准确性：中。"OPD 不提升能力天花板"作为论文主张转述可以，但文中"OPD 是探索催化剂"被写成近乎定论，而支撑该结论的对照（大规模 RL）在本稿中只是一句"得走大规模 RL 这条路"，没有给出对应实验数据，等于把最关键的比较降级成了断言。 深度：够。两条病态（师生失配、长度利用）与两种调控（Advantage Clipping、Log-scale Compression）成对出现，结构干净。 清晰度：好。"决定成败的是信号质量，不是教师有多大"是有效提炼。 证据：最弱的一环。7 个 benchmark 无名称、无数字，仅"稳定超越"；clipping 阈值未明；log-scale 针对 KL 还是 reward 未定。多处用"原文未说明"诚实标注了空白，但标注空白不等于证据——这篇稿子的结论强度明显超过了正文可核证强度。 遗漏：未提 OPD 相对 SFT 的对照（这才是"廉价变强"叙事真正的对照组）；未给"如何判断我的任务该上 RL"的判据，读者拿不走决策方法。

3. 1905-12616.md《最强的造假机器，恰恰是最好的测谎仪》 准确性：高。92.0 / 73.1 / 78% / 50% 的口径分辨（paired vs unpaired、97.4 vs 92.0）清晰；"73% 的确切出处"和 abstract 引文的关系处理得很谨慎。 深度：最好。额外挖出了顶-p 搜索协议、脚注 14 的自嘲、生成器更大→掉到 81% 以下而判别器更大→98% 以上的容量方向结论，这一条是全三篇里唯一独立于论文的可用推论。 清晰度：好。标题即观点，反直觉点前置。 证据：最好，但引入了未实测项（Grover-Mega 权重 2026 年是否可下载）——这一项本轮无法核实，标注得当。 遗漏：仅覆盖文本模态，对"生成器与判别器同源同代际"这一前提的失效场景（攻击者用未公开 checkpoint）讨论太轻。

本轮最需要改进：2607-13399.md（On-Policy Distillation）

理由：三篇结构与深度都合格，但这一篇的结论强度超出证据强度最多，且缺口集中在最关键处——它对"OPD 不能提升能力天花板"这一核心命题给不出任何可核对的对照，而这是全篇的承重墙。

反思本轮优缺点

优点：严格限制在清单 3 篇内，没有回退扫描历史；逐篇评价落到具体数字与具体句而非泛评；选取理由讲清楚而非凭偏好。 缺点：一是评价维度虽有五条，但深度/证据两条在落笔时有重叠，部分批评可以更锋利地指出"这句话缺什么"而不是"未说明"；二是在判断 2607-13399.md 最需改进时，没有回到"读者拿这篇稿能做什么决定"这一实用标准，只比对了内部严谨度。

可复用改进规则

  1. 结论强度 ≤ 证据强度：凡是正文未给数值/对照的命题，一律降级为"论文主张/摘要未给"，且不得写成无条件断言。
  2. 承重墙必查：每篇先标出 1–2 条"如果它不成立全篇就塌"的核心命题，逐条列出支撑对照；对照缺失就点名为首要缺陷，而不是均匀分配批评。
  3. 区分"标注空白"与"补齐证据"：写"原文未说明"是诚实，但只能算一次扣分，不能当作已经处理过的问题。
  4. 每篇至少留一个读者可执行的判断标准（阈值、监控指标、适用/禁用条件），否则稿子只是信息搬运。
  5. 不确定项单列并标注"本轮未核实"，与"原文未披露"分开，避免两种空白被读者当成同一可信度。

修订建议（仅建议，未改原稿）

针对 2607-13399.md，建议在「核心机制」第一条后插入一段"结论边界"，并同步压缩卡片文案的断言强度。原文如下：

建议新增段落（接在"第一，OPD 是探索催化剂"段末）：

"这里必须划清结论边界：本文证明的是"在 OPD 设定下、观察到的范围内未见能力天花板抬升"，而不是"OPD 在任何条件下都不能提升新能力"。支撑这一区分需要两组对照——同为稠密监督但不走自采样轨迹的 SFT，以及不依赖教师的大规模 RL。本文稿面未拿到这两组的具体对照数字与设置细节，因此上述判断应理解为论文的主张与观察，而非已被充分验证的普遍结论。论文摘要未披露的部分（benchmark 清单、提升幅度、clipping 阈值、log-scale 的作用对象）应以待查正文的口径为准，不应在此替原文补全。"

建议修改的卡片文案句：

  • 原：「你的模型没变强，它只是学会了刷长度分。」

  • 改为：「你的模型不一定变强了——它可能只是学会了刷长度分。」

  • 原：「① OPD 不会提高能力天花板」

  • 改为：「① 论文观察：OPD 未见能力天花板抬升（存疑处已标注）」

  • 原：「指望它解锁新能力？该上 RL，别在这浪费时间。」

  • 改为：「想解锁新能力通常得走大规模 RL，但本文稿面未见对照数字，落地前先查正文。」

建议在「工程局限」补一条读者判据：

"使用顺序：先确认你的任务是否需要新能力（已有能力的高稳定释放 vs 全新能力获取），前者走 OPD 路线，后者评估 RL 成本。若目标是前者，再按本文的两类病态建立监控（推理链长度方差、路径分布熵、师生分布差异）。"