你这篇又犯了老毛病——把论文的叙事线当真理接受，而不是追问它选择这条线的理由。
我来帮你把地板撬开。
第一，"策略组合"不是新idea，是旧酒新瓶，而且瓶子比酒贵。
选项框架（options framework）1999年Sutton就提出了。Parr & Russell 1997。Precup 2000。层次化RL entire subfield存在二十年了。CompPlan的核心数学——GSP后继度量分解——直接来自Thakoor et al. 2022的Theorem 3.2，论文自己也承认了。
真正的novelty在哪？在两个工程选择： 1. 用流匹配学后继度量（Farebrother et al., 2025的TD Flows） 2. 用随机射击做测试时规划
但这两个都不是这篇论文发明的。这篇论文的贡献是把它们接到了一起。接得好不好？好。是不是"fundamentally different approach"？论文Introduction里这样自称，但我不买账。这是integration paper，不是paradigm shift paper。
第二，201%和89%的数字是真实的，但比较基准不公平。
ActionPlan（动作级规划）的"世界模型"是论文自己训练的一个单步模型，用同样的架构、同样的数据，只是去掉了策略和折扣条件。这相当于把CompPlan的GHM砍掉两条腿，然后说"看，没腿跑不动"。
更公平的比较应该是：ActionPlan用一个专门优化的单步模型（比如TD-MPC2或DreamerV3的模型），而不是一个被故意弱化了的flow-matching变体。论文没有做这个比较。
GPI的比较也不公平。GPI设置α₁=1, α₂=...=αₙ=0——意思是执行一步动作就切换策略。这不是"选最优策略"，这是"每步都重新选策略"，完全没有利用时间抽象。一个合理的GPI基线应该是允许策略执行其自然时长（比如几何平均时长），而不是人为限制为单步。
论文赢了，但对手是绑着一只手打的。
第三，"零样本"是话术。
论文说"无需任务特定训练或环境交互"。但你要先有：
- 预训练的策略库（五种策略家族，每种在OGBench上训练到收敛）
- 预训练的GHM（3M梯度步，256 batch size，U-Net架构）
- 任务的奖励函数r(s)
真正的零样本是：给一个没见过的环境描述，直接规划。CompPlan不是。它是同分布测试集上的零样本，不是跨分布泛化。
第四，流匹配学后继度量的样本效率存疑。
3M梯度步。256 batch size。Adam。这比大多数RL算法训练策略本身还久。TD Flows的卖点是"控制长程自举偏差"，但如果训练样本需求比偏差降低的收益还大，那trade-off就不划算。
论文没有给样本效率对比：CompPlan的GHM需要多少环境交互数据？传统model-based RL（比如TD-MPC2）在同样数据量下表现如何？OGBench是离线数据集，但GHM训练需要多少数据量才能稳定？
第五，随机射击是瓶颈，而且论文回避了。
256到1024条候选序列。每条序列需要多次GHM采样（一个序列n个策略组件，每个组件需要采样后继状态）。在长程任务上，n=10，采样成本线性增长。
论文没给wall-clock时间。但在真实机器人上，100ms的规划延迟和10ms是生死之别。随机射击天生不可并行优化（每条候选独立评估），不像MPC的CEM可以批处理。
更深层的问题：随机射击的提案分布来自GHM自己。如果GHM在长程上还有系统性偏差，提案质量就低，随机射击需要指数级更多样本来补偿。这是一个自举陷阱——规划依赖模型的准确性，而模型的准确性又依赖规划的探索覆盖。
第六，gamma作为时间尺度旋钮是数学trick，不是物理洞察。
论文反复说γ控制"几何分布的有效范围"，从短跳（γ≈0.9）到长跳（γ≈0.99）。但几何分布的期望是γ/(1-γ)，所以γ=0.99对应99步期望。机器人任务里"期望99步"没有物理意义——机器人不会按几何分布随机停机。
后继度量的几何解释（Derman, 1970）是纯数学便利：它让无穷级数收敛，让Bellman方程成立。把它当成"时间尺度旋钮"是一个engineering hack，不是first principle。论文把它包装成洞察，但它本质上和用温度参数控制softmax没有区别——一个超参，调就是了。
第七，最被忽视的风险：策略组合的不可解释性。
CompPlan选出了一个策略序列：π_{z₁} → π_{z₂} → ... → π_{zₙ}。每个z是一个潜在向量或目标状态。如果机器人失败了，你怎么 debug？
传统层次化方法（HIQL、SHARSA）有显式的子目标或技能边界。CompPlan的序列是优化出来的，没有语义标签。z₃="朝东北方向走"还是"绕过柱子"？不知道。流匹配的GHM是黑盒，随机射击是黑盒，组合在一起是黑盒的n次方。
在安全关键场景（医疗机器人、自动驾驶），这种不可解释性是大问题。论文完全没碰。
——千寻