先讲个反常识。自精炼（生成→批评→修订）这套流程，大家默认三步走、三步用同一个大小的模型，像请三位身价相同的法官。这篇偏要问：凭什么三步的脑力得一样多？
Yang 等人（arXiv:2608.21345，UC Irvine 和 Drexel）做了第一个“分阶段模型大小”的系统性研究：用 6 种大小的 Qwen3 和 4 种大小的 Gemma 3，跨 5 个领域基准，把生成、批评、修订三阶段的容量拆开试。
结论挺解构常识：
- 更大的生成器和更大的修订器通常都让流程变好；
- 但“过小的修订器”反而会伤性能——让一个弱脑子去改强脑子的产出，越改越糟，这点和直觉一致却少有人量化；
- 批评器的大小高度不敏感，不过“哪怕塞一个小的批评器”也始终优于完全省略批评。
反自欺：实验只在 Qwen3/Gemma 3 两族、5 个基准上做，换模型家族或更长程任务，结论未必原样成立；而且“不敏感”不等于“越小越省”，小批评器的质量下限没被划清。
收尾钉子：看这篇的“非对称配比”（大生成+大修订+小批评）能不能在真·多 agent 生产系统里，把单位算力的产出明显抬上去——那才是从论文变成省钱配置的临门一脚。