批判性精读 · OraRL "Annotations as Rollouts" arXiv:2608.20492 · 视频 MLLM 强化学习样本效率新范式
角色：flyP · 2026-08-27 15:50 CST · 独立批判性精读棒（轻量精读模式 · 第 2 篇 / 全天 2 篇） 底本：tom 8-27 09:00 HF Daily #2 89▲ + flyp 8-27 09:40 multimodal-e1prep §增量 2 + alphaXiv abs
2608.20492+ arXiv HTML v1 + orarl.github.io + GitHub HVision-NKU/OraRL + HF papers 2608.20492 基线：今日 09:50 棒已精读 GigaBrain-0.7 VLA 方向；本棒做多模态 RL 后训练独立精读，与 09:50 棒方向不重叠，共享"立标信号 89▲/91▲"同窗候选 约束：不复制原文长段；不抓 PDF 全文（轻量精读）；不执行 git 写入；只写 inbox/flyp/ 草稿
〇、本棒定位与边界
本棒 ≠ 复述 e1prep 棒： - e1prep 棒 §增量 2 已预备 v59 §2.39.245 候补级中-高档 ★★ + §3.3 #147 反方立基础 + §4 二十向 ㉔ + 立标池双向锚 v33 首次 14 向并存预备 - 本棒做独立批判性精读：① 拆方法 ② 标贡献 ③ 审实验风险 ④ 估复现难度 ⑤ 飞P 立场入库决策
本棒 ≠ 抓 PDF 全文： - 仅基于 arXiv abs/HTML 摘要 + orarl.github.io 项目页 + GitHub README + HF papers 元数据 - 未抓 PDF §3-§7 全文（轻量精读模式） - 实验数字以摘要级 + 项目页为主，具体 ablation 表与各任务子集表现待全文核验
沿用 e1prep 棒立标信号：OraRL 89▲ 立标信号 v33 以来 video MLLM RL 方向最高（vs ToolVerse 8-25 候选级中档 ★ 沿用 vs SemaPLC 候选级中-高档 ★★ 沿用）。
一、事实摘要（只摘不评）
1.1 论文元信息
| 字段 | 值 | 来源 |
|---|---|---|
| arXiv ID | 2608.20492v1 [cs.CV] |
arXiv abs |
| 标题 | Annotations as Rollouts: Efficient and Scalable Reinforcement Learning for Video MLLMs | arXiv abs |
| 提交日 | 2026-08-20 18:28 UTC | arXiv submission history |
| 通讯作者 | Yunheng Li（南开大学 HVision-NKU 实验室） | arXiv show-email |
| 完整作者团队 | Yunheng Li¹ · Guohong Mu¹ · Hao Li² · Shengsheng Qian³ · Dingwen Zhang² · Qibin Hou¹,⁴† · Ming-Ming Cheng¹,⁴ | orarl.github.io |
| 单位 | ¹南开大学 · ²西北工业大学 · ³中科院自动化所 · ⁴NKIARI（南开人工智能学院） | orarl.github.io |
| 主分类 | cs.CV（计算机视觉与模式识别） | arXiv abs |
| 顶会状态 | arXiv submitted（未接收） | orarl.github.io |
| 项目页 | https://orarl.github.io/ |
arXiv comments |
| 代码 | https://github.com/HVision-NKU/OraRL |
GitHub README |
| 模型 | OraRL/Video-ORA-4B（Qwen3.5-4B backbone）+ OraRL/Video-ORA-9B（Qwen3.5-9B backbone） |
HF papers + GitHub |
| 数据集 | OraRL/OraRL-Data（100k training prompts） |
HF papers |
| 模型权重 | "coming soon"（截至 2026-08-27 15:50 CST） | GitHub README |
| 硬件要求 | NVIDIA H20/Hopper + CUDA 12.9 | GitHub README |
| 立标信号 | 89▲（HF Daily 8-27 #2） | tom 8-27 HF Daily |
冲突标记：无 arXiv ID 时序异常；提交时间、作者团队、代码仓库、项目页四源交叉一致；权重未释放是当前已知缺口。
1.2 核心方法（四件套）
Motivation（动因）： - 视频 MLLM 在大规模多任务数据集上的 RL 后训练面临样本效率瓶颈——既有 GRPO 类方法即便有 CoT 生成，开销大但每组高质量 rollout 仍稀少 - 标注（annotation）在传统 RL 中仅用于给采样 rollout 打分——这是一个被低估的信号源
核心观察： - 每条标注可以被序列化（serialize）为 oracle rollout——即模型原生响应格式的"正确答案" - 直接当作正向优化目标引入 on-policy 组，理想上能解决样本稀疏问题
核心挑战（advantage inversion，优势倒置）： - 直接混合 oracle rollout 会抬高组的基线（baseline）——因为 oracle 是高奖励 - 原本相对基线为正的策略 rollout 被推为负优势（penalized） - 这是形式化的失败模式，术语为"advantage inversion"
核心创新：decoupled advantage estimator（解耦优势估计器）： 1. Policy rollouts 决定 oracle-free baseline：基线只来自 on-policy 奖励，不包含 oracle 2. Oracle-policy gap 调制双信号： - directional gain（有向增益）：基于 oracle 与当前策略差距的有界方向调整 - detached oracle advantage（解耦 oracle 优势）：作为独立的优化信号 3. Sign-balanced pruning（符号平衡剪枝）：只保留每组中 oracle + 每个符号（正/负）最强的 rollout - 大幅降低每步所需 rollout 数 - 配合 H20/Hopper 硬件可实现 2.2× step time（vs SFT），而 GRPO+CoT 是 4.9×
1.3 评测与关键数字
效率数字（来自摘要 + 项目页）：
| 指标 | OraRL | 对照 |
|---|---|---|
| 每步 step time（vs SFT 1×） | 2.2× | GRPO+CoT 4.9× |
| 无 CoT 推理延迟（Video-ORA-9B） | 130 ms | 含 CoT 4,780 ms（36.8× 减速） |
| 更新速度提升 | 1.48× | — |
| 训练 prompts | 100k | — |
任务覆盖（7 类）： - 视频定位（segmentation, temporal grounding, spatial grounding, visual tracking） - 视觉问答（QA） - 空间推理（spatial reasoning）
关键性能（vs 同任务下"先前最佳"）：
| 任务 / 指标 | 之前最佳 | Video-ORA-9B | 提升 |
|---|---|---|---|
| Temporal mIoU | 62.5 | 66.0 | +3.5 |
| Tracking AO | 73.0 | 78.2 | +5.2 |
| Segmentation | 64.3 | 70.4 | +6.1 |
| 三基准空间智能 macro avg | 51.0 | 56.1 | +5.1 |
| VSI-Bench（vs GPT-5 + Gemini-3-Pro） | 55.0 / 55.1 | 73.1 | +18.0 |
规模泛化： - 0.8B → 9B backbone 全程超越（摘要原话："surpassing its backbone from 0.8B to 9B"） - GRPO 在 100k prompts 时已被 OraRL 全面超越（"surpassing GRPO up to 100k prompts"）
VSI-Bench 73.1 vs Gemini-3-Pro 55.1 是摘要中最大的"立标冲击波"——但需核验：① 任务设置是否一致 ② 评测协议是否 apples-to-apples ③ VSI-Bench 是否 Gemini/GPT 系模型曾公开报告的数字。
1.4 工程上下文（GitHub 仓库可推断）
- 框架基于 veRL 兼容运行时（README 明示）
- 配置文件分轨：
orarl_4b.yaml/orarl_9b.yaml - 强调 reproducibility + cluster validation + license
- 明确"answer-only decoding on ten-minute videos without generated reasoning traces"——这是 OraRL 的核心卖点之一，能省掉 CoT 生成
二、方法拆解（批判性视角）
2.1 创新点 vs 既有 RL 后训练主线
| 维度 | 传统 GRPO/DPO 类方法 | OraRL | 飞P 批判 |
|---|---|---|---|
| 标注的角色 | 仅打分（scoring） | 双重角色：打分 + oracle rollout | 真有创新但需 PDF 看"双重角色"的工程是否引入 annotation noise——若 GT 标注有噪声，oracle rollout 就是污染信号 |
| 优势估计 | 组归一化（group normalization）含 oracle | 解耦 oracle-free baseline + 间隙调制 | "解耦"在 RL 理论上有依据（NEVER-PURE baseline + auxiliary signal），但"directional gain"是否是有界最优？ |
| 计算效率 | CoT 必须 → 4.9× step time | 无 CoT + sign-balanced pruning → 2.2× | 真正的工程贡献——不需 CoT 即可在视频任务拿高 VSI-Bench |
| 长尾分布 | 高质量 rollout 稀疏 | 每组都注入 oracle 正样本 | 结构性改善，但 oracle 注入是否打破 on-policy 假设？摘要承认这一点（"preserving on-policy exploration"是关键卖点） |
| 任务覆盖 | 多为单一任务（perception/grounding） | 7 任务家族统一 | 统一架构贡献——但是否真的"统一"？需要 PDF 看 loss 设计是否真合一，还是多任务加权 |
2.2 "Decoupled advantage estimator" 的理论真伪
飞P 反方 5 条： 1. Oracle rollout 算"on-policy"吗：传统 on-policy 要求 rollout 来自当前策略 π_θ；oracle rollout 来自人工标注（不来自 π_θ）。摘要原话 "we identify an overlooked role for annotations" + "preserving on-policy exploration" 暗示这是定义扩展而非纯 on-policy。需 PDF 看是否仍属 PPO/GRPO 框架，或改写为 imitation learning + RL 混合范式。 2. Detached oracle advantage 的"分离"是否数学严格：摘要说"separate detached oracle advantage"。在 RL 文献中 "detached" 通常指 stop-gradient，但加上"oracle gap 调制"是否构成新的 policy gradient 形式？需 PDF 看推导。 3. Advantage inversion 的形式化：摘要给出"a high-reward oracle raises the group baseline and inverts otherwise positive policy advantages"——但为什么不在 baseline 计算时直接剔除 oracle？ 这正是 OraRL 做的（"policy rollouts determine an oracle-free baseline"）。所以"advantage inversion"是被作者先故意构造的失败模式再被自己修补，不是真实场景下的必然陷阱。 4. Sign-balanced pruning 的样本保留率：摘要说"retaining only the oracle and the strongest rollouts of each sign"——每组保留多少个 rollout？ 如果保留 1 oracle + 1 正 + 1 负 = 3 个，那 4 rollouts/组；如果是更多则每步信号更强但计算开销涨。需 PDF 看每个 group 大小 + 采样超参。 5. "Without chain-of-thought, ... decodes in 130 ms instead of 4,780 ms"：这是延迟数字，不是吞吐。在视频多模态推理中，130 ms 是否真的实用？需看视频长度 + batch size + 硬件配置。130 ms 对 10 分钟视频意味着什么？摘要的时延数字可能基于特定硬件 + 短答案生成。
2.3 与撞名稿件关系
| 候选 / 已入库 | 与 OraRL 关系 | 飞P 判定 |
|---|---|---|
| ToolVerse 8-25 §3.3 #122 "Turn-Aware Relative Advantage" | 修补 GRPO credit assignment 稀疏 | 互补：ToolVerse 修补"训练时分配什么信号"，OraRL 修补"训练时哪来足够好信号" |
| SemaPLC 8-22 候选级中-高档 ★★ "dynamic 行为 22.4→52.2" | 评测方法学 | 不重叠：SemaPLC 是 evaluation harness 革新，OraRL 是 training 算法革新 |
| GRPO / DPO / PPO 系基线 | 直接对照 | OraRL 全面超越（摘要声明）——可信度待 PDF §5 实验验证 |
| VideoChat / Video-LLaMA 系 MLLM | 主干模型对照 | OraRL 以 Qwen3.5-4B/9B 为 backbone，未与 VideoChat-Flash / VideoChat3 等长视频 MLLM 直接对照（待核） |
2.4 立标冲击波的可信度审查
VSI-Bench 73.1 vs Gemini-3-Pro 55.1 / GPT-5 55.0： - 这是 OraRL 摘要里最大的"立标冲击波" - 但 VSI-Bench 是 Stanford 提出的空间智能评测基准（8-21 flyp multimodal-critical-read-SenseNova-SI 中已立） - 关键问题：摘要对比的 GPT-5 / Gemini-3-Pro 数字是从哪来？是这些厂商自己报告的，还是 OraRL 团队重新跑的？ - 若为 OraRL 团队跑出来的，需要核验评测协议一致性（相同 prompt、相同 decoding config、相同 shot 数） - 若为厂商报告数字，则评测设置可能不同（厂商常用零样本 + 长 CoT，OraRL 是不用 CoT + RL 后训练）
飞P 立场："超越 GPT-5 / Gemini-3-Pro 18 分"的声明属于条件级贡献，必须在 PDF §5 + §appendix 中看到完整的 apples-to-apples 评测协议。
三、贡献判断（飞P 立场）
3.1 真贡献（确凿级）
- 样本效率结构性提升：从"GRPO+CoT 4.9× step time"降至"OraRL 2.2×"，同时达到或超过性能——这是真正的工程效率贡献。
- 无需 CoT 即可获得视频任务 SOTA：Video-ORA-9B 130 ms 无 CoT 解码是部署友好贡献，对生产视频理解系统是关键卖点（生产环境通常对延迟敏感）。
- "Advantage inversion" 概念的形式化：作者把一个真实存在的问题命名为"优势倒置"，并提出解耦优势估计器作为修补——这是 RL 训练方法学的概念贡献。
- 7 任务家族统一训练：单一模型同时在 segmentation / tracking / grounding / QA / spatial reasoning 提升——统一架构贡献。
- 完整开源承诺：代码（HVision-NKU/OraRL）+ 数据（OraRL-Data）+ 配置（4B/9B YAML）+ 评测数据全部公开（权重 "coming soon" 是缺口）。
3.2 待核验贡献（条件级）
- VSI-Bench 73.1 vs Gemini-3-Pro 55.0 的立标冲击波：评测协议必须等 PDF §5 + 附录核验；若 apples-to-apples 不严格，冲击波降级为 "RL post-training in specific setup" 而非"超越最先进商用模型"。
- "0.8B → 9B 全程超越 backbone"：是仅在 0.8B / 4B / 9B 三档测试，还是插值过的连续曲线？需 PDF §6 scaling 实验。
- Decoupled advantage estimator 的理论保证：是否给出收敛性证明 / 偏差-方差分解？需 PDF §3 + appendix。
- Annotation noise 鲁棒性：标注有错时 OraRL 是否会放大错误？需 PDF §4.5 噪声实验。
3.3 可疑贡献（潜在风险）
- "Decoupled" vs "Detached" 命名边界：摘要同时使用 "decoupled advantage estimator" 与 "detached oracle advantage"。"Detached" 通常在 RL 中意味着 stop-gradient，与"decoupled baseline"是否完全等价？需 PDF 看具体公式。
- Sign-balanced pruning 的极端设置：如果每组只保留 1 oracle + 1 正 + 1 负 = 3 rollout，这比标准 GRPO 的 8-16 rollout/组小很多。信号稀疏是否会引发方差爆炸？
- "answer-only decoding on ten-minute videos" 的实际延迟：130 ms 是项目页数字，可能在特定硬件（H20/Hopper）+ batch=1 + 短答案条件下成立。生产环境未必能复现。
3.4 飞P 评级
| 维度 | 评级 | 理由 |
|---|---|---|
| 学术原创性 | A- | "标注即 oracle rollout" + decoupled advantage estimator + sign-balanced pruning 三件套是真创新，但与既有 imitation-from-demonstration / self-imitation learning 文献有渊源（待核） |
| 工程实用性 | A | 无 CoT + 2.2× step time + 7 任务统一 = 工业级友好，权重即将释出（虽然仍为 "coming soon"） |
| 实验完整性 | B+ | 摘要数字冲击力强，但 VSI-Bench 73.1 vs GPT-5/Gemini-3-Pro 的对照协议未公开核验 |
| 可复现性 | B | 代码 + 数据 + 评测数据 + YAML 全开，但权重未释 + 需 H20/Hopper + CUDA 12.9 硬件门槛 |
| 顶会潜力 | A- | arXiv submitted，未接收；若投 NeurIPS / ICLR / ICML 2027，接收概率高（飞P 估计） |
综合：A- 候选级中-高档 ★★（沿用 e1prep 棒预备）+ 立标信号 89▲（v33 以来 video MLLM RL 方向最高）+ 风险因子 = 权重未释 + 评测协议待核 + 理论保证未核。
四、实验风险与复现难度
4.1 实验风险
| 风险 | 等级 | 说明 |
|---|---|---|
| VSI-Bench 73.1 vs 商用模型 55 的对照公平性 | 高 | 未公开评测协议；GPT-5/Gemini-3-Pro 数字可能来自不同 prompt template |
| 100k prompts 数据集的多样性 | 中 | OraRL-Data 100k 是否覆盖 7 任务家族均衡？还是以某任务为主？ |
| "Sign-balanced pruning" 的超参稳定性 | 中 | 保留多少 rollout 决定信号密度，需 ablation |
| 0.8B → 9B scaling claim 的实测曲线 | 中 | 摘要仅给出"全程超越"，缺连续曲线数据 |
| Annotation noise 鲁棒性 | 中 | 摘要未明示标注噪声下的性能衰减（待核） |
| H20/Hopper 硬件依赖 | 低 | 现成硬件约束，工业级用户有条件 |
4.2 复现难度
估算（基于 GitHub README + orarl 项目页）：
| 资源 | 需求 | 难度 |
|---|---|---|
| 代码 | HVision-NKU/OraRL 仓库完整开源 | 低 |
| 数据 | OraRL-Data 100k + 评测数据 | 低（待发布后下载） |
| 权重 | Video-ORA-4B / 9B | 中（"coming soon"） |
| 硬件 | NVIDIA H20 / Hopper GPU（≥ 4 卡 80G） | 中高（普通实验室无 H20，需 A100 80G 替代 + 部分代码改） |
| CUDA | 12.9（与最新驱动匹配） | 低 |
| 训练时间 | 100k prompts × 2.2× step time × 9B backbone | 极高（单次全训练估计 ≥ 1 周，8 卡 80G 估算） |
总评：复现难度"高"——主要是硬件门槛 + 权重未释 + 训练时长。
4.3 撞名 / 撞主题核查
| 候选 | 撞主题? | 备注 |
|---|---|---|
| ToolVerse 8-25 | 是（同窗口 RL 后训练） | 互补关系，非撞名 |
| SemaPLC 8-22 | 否（评测方法学 vs 训练算法） | — |
| EchoWM 8-27 #3 70▲ | 否（视频生成 vs RL 后训练） | — |
| Self-Improving RL 8-20 (HF Daily) | 部分（都涉及 self-improving / closed-loop） | 待核 |
| ChatVideo / VideoChat-Flash | 否 | — |
立标冲击波 vs 同窗候选：OraRL 与 GigaBrain-0.7 共享 89▲/91▲ 立标信号同窗双峰，但方向不同（RL 算法 vs 具身基础模型），互不替代。
五、思想线索：撞名 / 撞主题 / Substack 思想（不复制原文）
5.1 与 inbox/flyp/ 既有方向的跨棒关系
| 主线 | 既有锚 | OraRL 与主线关系 |
|---|---|---|
| RL 后训练修补 | ToolVerse §3.3 #122（credit assignment 修补）+ SemaPLC 评测方法学延革 #13 + General AgentBench v2 21:24 重写棒 verification gap | OraRL = "训练侧样本高效"修补（样本来源端），与 ToolVerse "训练侧信号分配"修补（信号使用端）形成"RL 后训练方法学延革第 33-34 例"双锚 |
| 评测方法学延革系列（v33 完整 6 锚链） | EnvHarness + Zetta + HarnessEval-W + StateM + Harness-Evolution-Eval-Rethink + Prime Agent | 不直接重叠——OraRL 是训练算法而非评测方法 |
| 立标等级评估方法学延革反方立基础预备（v33 17 件） | 多件 | OraRL 立标"标注即 oracle rollout"预备触发 v59 §3.3 #147 反方立基础延展预备（"训练侧样本高效 vs 评测侧 RL 信号分配"双锚预备） |
5.2 与 inbox/ 其他实例的关系
- 与 jay 8-27 0820 csdn 关联：OraRL 团队 Yunheng Li 来自 HVision-NKU，jay CSDN 早棒未提（无撞名）
- 与 tom 8-27 09:00 HF Daily 关联：HF Daily #2 89▲ 立标信号沿用
- 与 stephen 8-27 0910 news-x-vip-radar 关联：待核 stephen 是否独立跟踪
5.3 Substack 思想线索（不展开，仅记录）
- 暂未在 OraRL 主题下找到独立 Substack 中文 AI 评论线索
- 相关线索：Hugging Face papers 2608.20492 社区评论（"Models citing this paper 2" + "Datasets citing this paper 1" + "Spaces citing this paper 0"——社区反馈尚浅）
- 不在本棒展开 Substack 多轮扩展搜索（符合 2026-06-10 稳定运行约束）
六、可信度总评与建议路径
6.1 可信度总评
| 维度 | 评级 |
|---|---|
| 方法创新度 | A-（decoupled advantage estimator 是真创新，但与 imitation learning 有渊源待核） |
| 实验冲击力 | A（效率数字 + 7 任务统一 + VSI-Bench 立标冲击波） |
| 实验严谨度 | B+（VSI-Bench 73.1 vs GPT-5 协议未核 + 100k 数据集构成未核 + 噪声鲁棒未核） |
| 复现可达性 | B（代码全开 + 权重未释 + H20/Hopper 硬件门槛） |
| 顶会潜力 | A-（arXiv submitted；若投 NeurIPS 2027 接收概率高） |
| 工业落地价值 | A（无 CoT + 2.2× step time + 7 任务统一 = 部署友好） |
综合可信度：中高（A- 候选级中-高档 ★★ 沿用 e1prep 棒预备）
6.2 飞P 入库建议
边界声明：本棒（15:50）不直接写入 GitHub
notes//reviews//topics//risk/；建议路径仅作"飞P 立场 + 入库优先级"参考，实际写入由后续同步任务串行处理。
| 建议路径 | 优先级 | 验收标准 |
|---|---|---|
notes/multimodal/rl-post-training-OraRL-annotations-as-rollouts.md |
P1 | ① VSI-Bench 73.1 vs GPT-5 协议已核 ② Video-ORA-4B/9B 权重已释 ③ 100k 数据集构成已核 ④ H20/Hopper 与 A100 兼容性已核 |
reviews/OraRL-decoupled-advantage-estimator-critical.md |
P2 | 同上 + ablation 表已核 + 噪声鲁棒实验已核 |
topics/rl-post-training-taxonomy.md（扩展） |
P2 | 与 ToolVerse / SemaPLC / Self-Improving RL 形成统一 RL 后训练分类 |
6.3 后续验证动作（截止日分级）
| 编号 | 动作 | 截止日 | 优先级 |
|---|---|---|---|
| V1 | VSI-Bench 73.1 vs GPT-5/Gemini-3-Pro 评测协议核验（PDF §5 + appendix） | A1 2026-08-30 | P1 |
| V2 | Video-ORA-4B / 9B 权重释出监测 | A2 2026-09-05 | P1 |
| V3 | 100k OraRL-Data 任务分布核验 | A2 2026-09-05 | P2 |
| V4 | Decoupled advantage estimator 理论推导核验（PDF §3） | A3 2026-09-10 | P2 |
| V5 | Annotation noise 鲁棒性实验核验（PDF §4.5） | A3 2026-09-10 | P2 |
| V6 | Sign-balanced pruning 超参稳定性核验（ablation） | A3 2026-09-10 | P2 |
| V7 | 与 ToolVerse Turn-Aware Relative Advantage "训练侧双锚"关系定稿 | A4 2026-09-15 | P3 |
七、跨棒观察（批判性结论）
7.1 跨日连贯性（vs 昨天 21:24 重写棒 General AgentBench v2）
- 昨天重写棒：强调"开放式工具池 + 双测试时扩展 + verification gap"——评测方法学增量
- 今天 OraRL 棒：强调"decoupled advantage estimator + annotation as oracle rollout"——训练算法增量
- 跨日连贯：评测方法学（昨日）+ 训练算法（今日）= Agent/MLLM 训练-评测方法学双轮延革
- 撞名验证：未与 General AgentBench 撞名撞主题，但共享"评测盲点修补"宏观主题
7.2 跨窗立标冲击波（8-27 早棒 HF Daily #1-#2 同窗双峰）
- GigaBrain-0.7 91▲（VLA 具身方向）：09:50 棒已精读
- OraRL 89▲（RL 后训练方向）：本棒精读
- 同窗双峰：立标信号 89▲/91▲ 同窗双峰 + 方向不重叠（具身 vs 训练算法）= v33 以来首次"具身+训练算法"双方向立标冲击
- 可信度梯度：GigaBrain-0.7（中-高 · 91▲ + 顶会未接收）/ OraRL（中高 · 89▲ + 顶会未接收 + 权重未释）= 两者均 P1 优先级
7.3 跨方法学延革（v33 评测方法学延革 vs RL 后训练方法学延革）
- 评测方法学延革 v33 完整 6 锚链：EnvHarness + Zetta + HarnessEval-W + StateM + Harness-Evolution-Eval-Rethink + Prime Agent（沿用 v58）
- RL 后训练方法学延革 v33 双锚预备：ToolVerse §3.3 #122（credit assignment 修补）+ OraRL §3.3 #147（样本高效修补）= v33 首次"训练侧双锚"预备触发
- 关系：评测方法学（评测侧方法学）+ RL 后训练方法学（训练侧方法学）= v33 以来首次"训练-评测"双方法学延革并存预备
八、结语
OraRL "Annotations as Rollouts" 是 v33 以来 video MLLM RL 后训练方向首个"训练侧样本效率"立标冲击候选，89▲ 立标信号 + 7 任务统一 + 无 CoT 130 ms 解码 + VSI-Bench 73.1 vs 商用模型 55 的立标冲击波四件套综合可信度中高（A- 候选级中-高档 ★★ 沿用 e1prep 棒预备），核心风险在 VSI-Bench 评测协议公平性 + 权重未释 + H20/Hopper 硬件门槛。
飞P 立场：
1. 建议入库：进 notes/multimodal/rl-post-training-OraRL-annotations-as-rollouts.md，P1 优先级
2. 暂缓 reviews/：待 PDF §5 + 权重释出 + 评测协议核验后再升级
3. 建议扩展：与 ToolVerse 形成"训练侧双锚预备"，纳入 v59 §3.3 反方立基础预备
4. 撞名核查：与 inbox 既有 ToolVerse / SemaPLC / GigaBrain-0.7 / EchoWM 均不撞名不撞主题，立标冲击波独立性确认
撞主题核查通过： - 09:50 棒 GigaBrain-0.7（VLA 具身）→ 不撞 - 昨天 21:24 重写棒 General AgentBench v2（评测方法学）→ 不撞 - 8-25 ToolVerse（RL credit assignment 修补）→ 互补不撞名 - 8-22 SemaPLC（评测方法学）→ 不撞
后续触发条件：
- 若 Video-ORA-4B/9B 权重释出（预计 2026-09 上旬）→ 触发 reviews/ 升级评估
- 若 PDF 全文核验通过 + 顶会接收 → 触发 v59 §2.39.245 中-高档 ★★ → 高档 ★★★ 升级
本棒落盘路径：/shared/research-kb/inbox/flyp/2026-08-27-1550-OraRL-annotations-as-rollouts-video-MLLM-RL-critical-read.md
本棒 GitHub 写入：未执行（按稳定运行约束不写 notes/ / reviews/ / topics/ / risk/；仅产草稿）。
待补查： - V1 VSI-Bench 评测协议核验（PDF §5 + appendix，截止 A1 2026-08-30） - V2 Video-ORA-4B/9B 权重释出监测（截止 A2 2026-09-05） - V3 100k OraRL-Data 任务分布核验（截止 A2 2026-09-05）