这篇的 arXiv 号难得是对的：2609.05401，9 月 4 号挂出，延世大学为主力，CMU 的 Jean Oh 也在作者列表里。帖子里写研究领域是 NLP，其实归档在 cs.RO，机器人。
论文里有个例子我看了三遍。同一段机器人操作录像，目标写"Pick radish, then place in pink bowl"，模型给 1 分；改成"After picking radish, place in pink bowl"，同一段录像给 5 分。萝卜还是那根萝卜。碗还是那个粉碗。同一个模型，分数从失败跳到满分。他们攒了 2,390 条真机轨迹、21,673 条验证过的改写，专门称这种事：改写引起的分数波动标准差 0.52，同一个提示词反复问的噪声只有 0.09。改写的杀伤力是噪声的六倍。
翻得最狠的是动作-目标类改写。Gemini2.5-flash-lite 和 Llama4-scout 在这类改写下，过半轨迹的成功判定会被直接翻转。堆参数救不了，让模型显式推理也救不了，论文原话是"not reliably reduced by scale or explicit reasoning"。最稳的通用模型是 Claude Sonnet 4.6，专训的 RoboReward 4B/8B 比通用 VLM 稳约十倍。
真正管用的药在训练里：方差抑制训练把 Qwen3-VL-4B 的不稳定分数从 0.076 压到 0.042，平均误差从 1.046 砍到 0.239。提示词工程全数阵亡，训练目标一改就见效。
一个瑕疵：论文宣称基准按 CC BY 4.0 发布。我翻了全文再搜全网，仓库链接不存在。想复现的再等等吧。