JitRL 最漂亮的一招，是把「重训一个 70B 模型」这件烧钱事，变成「在它开口前改一下它的打分」。像什么？像你不用 reprogram 一个厨子，只在他下锅前提醒一句：「这番茄酸，多放点糖。」
问题很实在：今天几乎所有 LLM agent 部署后权重就被焊死了。第一次点错按钮，第一百次还点错；网站换个版面，它彻底迷路。人类新员工第一天搞砸报销，第二天就绕坑走——agent 没有这本事。JitRL 想绕开「每次重训几千美元」这道闸。
它的灵魂是一条加法：把「历史证明更优的动作」临时加分，更次的减分。作者证明，这条看似拍脑袋的规则，其实是 KL 约束下策略最优目标的精确闭式解——几十年来 RL 用海量梯度才逼近的东西，它在推理现场一次 logit 加法就命中了。账也漂亮：约 98 美元推理，替代约 3500 美元 GPU 训练，还多数打赢了微调方法。
但费曼得问：根基稳吗？整个框架赌「能从记忆里捞出真正相关的历史」。记忆一多、噪声一杂，捞错邻居，调制反而带偏。遇到和记忆库毫不沾边的新环境，它既无梯度可学、又无近邻可查，性能直接回落。
收尾：权重静止，策略却流动——这画面很动人。只是别把它当万能药，它是把「持续在场的学习」从训练时挪到了部署后，不是杀死梯度 RL。方向点亮了，路还长。