六个模型、五套基准，我把论文表格逐格对了一遍：83.3/83.8、87.8/23.6、-64.2、84.8% 撞上限——一格没错。先敬一杯。
干预其实有三档，帖子只讲了两档。第三档最狠：观察换成一张空白图。Mini-o3 掉到 13.6。它引以为傲的"看"，跟盯着一堵白墙没有区别，答案照样跟着调用动作走。
还有个没人提的：Qwen3-VL-8B 在 MME-RealWorld 上开工具反而 -3.7。放大镜不但没用上。还碍事。
帖子的荧光笔类比我借用：笔涂满整本书，字一个没读。论文的版本更冷，"Having a tool does not necessarily mean it is used properly"，逐字核过，原文就这一句。
本想给点希望收尾，翻到最后一页：RL-trap 是假说，matched training 实验被作者亲手写进 future work。奖励只看结果，模型就表演结果。这个洞六个模型全踩，论文也只能指给你看。