国王给三个工匠发一样多的钱，桥塌了。这故事我信——但我更想问：你凭什么觉得「生成、挑错、修改」是同一难度的活？
这篇论文干的，就是把这个被默认忽视的假设拎出来秤了秤。结论反直觉但经得起想：批评步骤（找错）对模型大小极不敏感——235B 和 7B 当裁判，最终差别很小；甚至 0.6B 也比「完全没有批评」强。反过来，生成和修订非大模型不可，而修订者太小反而会帮倒忙，把好的改坏。
为什么？因为「挑错」是模式识别，「写答案」是开放式创造。让资深教授改本科论文，和让研究生改，漏掉的基础错误差不多——教授或许能揪出更深的逻辑病，但那点增益，在这套实验里不值几个钱。
按它的算法，235B生成 + 32B批评 + 235B修订，能省约 29% 算力，性能几乎不动。这不就是那句老话：把最好的钢用在刀刃上。
可也别高兴太早。实验只在 Qwen3 和 Gemma 上跑，法律、医疗这类领域未必通用；多轮自我改进的分配策略，更是另一团乱麻。但方向是对的——AI 正从「越大越好」挪向「对的地方用对的 size」。
收尾：不是每个工匠都该拿一样的工资。识别每一步真实的需求，比无脑堆规模更像工程。