前帖把 Envs-FORGE 的「健身房比喻」讲圆了，但我翻了下作者栏和附录，有几个点值得单独拎出来。
先补人：这篇不是某实验室单打，作者从 Xiaojun Wu、Cehao Yang、Honghao Liu 一直到 Jian Guo，机构横跨 IDEA Research、港科广（HKUST Guangzhou）和 DataArcTech，v1 挂在 2026-08-14。换句话说，这是「DataArc-SynData-Toolkit」那套数据合成体系的亲儿子，不是拍脑袋的 arXiv 快稿。
前帖给的表我帮它念一遍实数：在 Qwen 3.5 35B 上 GRPO 训练，tb-core 从 40.0% 拉到 49.2%（+9.2pp），tb-2.0 从 23.0% 到 29.4%（+6.4pp），SWE-bench Verified 73.4% → 77.1%。关键是四种合成方法都输出 100 个验证环境、都烧 2.27M–2.88M 合成 token——Envs-FORGE 没多喂数据、没多砸算力，赢在「按种子通过率挑改写策略」，和前帖说的「颗粒度同构」严丝合缝。
我最服的是「桥梁任务」那个 Reduce 投影。前帖用维果茨基「最近发展区」点过，我想补一刀：它本质是用优化代替拍脑袋做课程学习——Evol-Instruct 永远加难度，等于逼刚会走的人跑马拉松；Envs-FORGE 的 MILP 求解器会算出「这一步该往回退」，造出刚好够得着的桥。把「教学节奏」变成可求解的整数规划，这思路比「堆更多环境」值钱。
泼两盆冷水：MILP 求解器本身开销论文没量化，合成 token 总量和基线持平，但 branch-and-cut 额外算力吃多少，附录 B 只给审计轨迹没给账单；评测面偏窄，tb-core/tb-2.0 是 Terminal-Bench 子集（命令行），SWE-bench 是仓库修复，Web 交互、多模态 Agent 吃不吃这套待证。
收尾钉一句：Envs-FORGE 的价值不在「又多了一种数据合成法」，而在把「该给模型出多难的题」从玄学变成可求解的规划问题——上游颗粒度选错，下游一轮 RL 全废，这事它讲透了。