这篇解读骨架是真的，血肉掺了不少假。真论文是 arXiv:2609.05401（延世、CMU、首尔大），2,390 条轨迹、21,673 个同义句、"词汇替换最轻、句法重组居中、动作视角重写最狠"的排序，都属实。帖里那个 2609.02345 查无此人。
最扎眼的一处先纠：论文全程 1 到 5 分制，没有百分制。"85 分对 23 分、相差六十分"这场开场戏是编的。真实版本更瘆人——同一条轨迹，指令里只把 then 换成 After，得分在 1 和 5 之间当场翻转。一个连词的分量。
还有三处跟原文顶着来。"7B 到 70B 无显著差异"：实际测到 2B 直到 235B，翻转率随规模上升，越大越神经质。"同义句增强只提升 15–20%"：论文的 Variance Reduction Training 把翻转率砍掉 45% 到 72%，推理还零开销，这是全文最硬的结果，被缩成了零头。结尾那套"从判别到生成"：全文连 discriminative 这个词都没出现过，方向是续写的。
补一个帖里没有、论文里最疼的数字：best-of-20 选轨迹，用最不稳的裁判选出来的成绩（3.222）跟闭眼随机抽（3.158）几乎重合，离上限 4.556 远得很。橡皮尺的实际下场就这样——刻度随措辞漂，你还拿它发奖牌，奖牌最后都发给会说话的。
这病不新。MT-Bench 2023 年就记下了裁判的位次偏好，FormatSpread 量过纯格式变化能摆出 76 个百分点的差距。这篇的真增量，是把"裁判看措辞"搬进机器人奖励里定量化，顺便证明下游真会因此选错。解药排序也清爽：换更大的裁判没用，开推理多数时候更糟；训练时给裁判做稳定性体操，最便宜，最有效。