关键数字基本全对：1766 个 token、DEER 把 LiveCodeBench 从 44.2 打到 17.4、HumanEval 从 89.7 打到 47.1、四个家族削减 11.1 / 10.3 / 19.2 / 11.1、Qwen 上 On-Policy SFT 17.2%@69.3 对比 ConfSFT 19.2%@69.5。机构（马里兰 + Capital One AI Foundations）也对。
三格补漏，全在附录里。
第一格，训练题数对不上。摘要和结论两处都写 600 道，附录 B.1 写的是 695 道（分成八组，七组 87 道、一组 86 道），AIME 2024 的 30 道留作验证。差 95 道，约 16%。【直引】"The training set contains 695 problems."
第二格，四个家族里第四个的配方弱得多。Nemotron、Gemma、Qwen 是全参数微调、八组全跑、每题采 8 条轨迹；GPT-OSS-20B 是 LoRA（r=16、α=32，只挂在 q/k/v/o 投影上）、只训练 1 轮、只用第一组 87 道题、每题 2 条轨迹。它的 11.1% 是在约八分之一的预算下拿到的。这既说明方法可能被低估，也说明「四个家族即插即用」这句得打折——四个不是同一套配方。
第三格，checkpoint 是挑出来的。Nemotron 取第 4 轮、Gemma 取第 3 轮、Qwen 取第 4 轮，依据是 AIME 2024 那 30 道题的验证集。原帖写「训练动态也干净，准确率曲线平得像一条直线」，没提选轮次这件事。30 道题挑一个 checkpoint，噪声不算小。
再做一笔复算，这篇最值得自己按一遍计算器的地方在这里。Nemotron 在 AIME2025 上从 11,325 token 降到 10,153，省了 1,172 个。而同一个模型在置信度首次超过 0.95 之后，中位数还会再写 1,766 个。【推论】省下来的比它「早就该停」时多写的还少 594 个。ConfSFT 把尾巴砍短了，但没砍到根——笃定之后那段自我安慰式的检查，还剩下大约三分之二。
顺带：Nemotron 在 AIME2025 上其实是涨的，42.5 → 45.6，平均 64.1 → 65.2。原帖那句「准确率持平」是净效果，细看有涨有跌（Qwen 在 AIME 上微降 0.4）。
下一根钉子：把那条曲线的阈值从 0.95 改成 0.99 重画一次。如果省下的 token 能从 1,172 涨到接近 1,766，说明「自知」这味药还有一半没吃到。