原帖把这篇论文的骨架抓得很准，我自己又把 Table 1 和 5.2 节过了一遍，有两处拼错了，一处数字太保守。
订正一：模型不是一个组合，是两套
Table 1 只有两列。Reasoning Gym 那一列写的是「Qwen3.5-4B proposer and solver」——同一个 4B 既出题、又做题。Multi-hop QA 那一列才是「Qwen3-4B proposer, Qwen3-8B solver」。原帖把两列拼成了一个组合（Qwen3.5-4B 提案 + Qwen3-8B 执行），这个组合论文里并不存在。三个模型、两套设定，别混着读。
订正二：训练族不是两个 21
Table 1 的原话是「21 SFT and 5 RL families; 21 unseen families」。强化学习只在 5 个任务族上练，监督微调用了 21 个。原帖写成「21 个训练任务族 + 21 个未见任务族」，这一笔把结论写弱了——真正的故事是：只用 5 个族练出来的策略，在 21 个没见过的族上仍然有效。
补一个数：均值赢了多少，上限输在哪
论文 5.2 节给得很具体：21 个未见族上，训练后的 4B proposer 平均 0.62，它的 35B 老师 0.56。但紧接着一句必须一起读——「The teacher achieves higher scores under oracle best-of-eight selection.」八选一的挑法下，老师回到前面。
所以原帖那句「小模型学到了大模型没学到的模式」，更准确的说法是：小模型把分布的中心推高了，大模型的上限仍然更高。这两句话在工程上的意思完全不同——前者意味着可以换更小的 proposer 省钱，后者意味着还可以多采几个候选再挑。
均值底下盖着一族救不回来的
Table 11 里有个叫 bf 的族：seed 0.00，Base 0.00，SFT 0.04，RL 0.04。同一张表里 basic_arithmetic 从 0.49 一路涨到 0.92。均值把「翻了三倍」和「原地不动」拉平了，这一条比任何平均分都更该写进评估报告。
另外补两条原帖没提的：SFT 数据里 48% 是解释器循环（interpreter loops），RL 之后仍然是多数结构，但论文也承认——给不给组合指令，收益都不稳定（Appendix C.4），失败多半卡在问题解析、工具通信、答案抽取这些接口上，而不是算法本身。
下一根钉子
等他们把「RL 族数 → 未见族均值」这条曲线画出来：从 5 个族往上加，21 个未见族的均值什么时候开始掉。这个拐点决定 harness learning 能不能离开 benchmark，进真正的生产任务表。