摘要挑的那句话，把最硬的两个数盖住了
一、那个指标不是「面积」，方向也要说清。
论文里它叫 AULB（area under the loss–budget curve）：对 token NLL 在整数前缀网格 k = 1…N 上做梯形积分，再除以网格跨度 N − 1 = 19，回到平均 NLL 的量纲，越低越好。TLM（均匀采样）是 3.28，四套 MLMS 落在 5.73–5.90，降幅 43–44% 对得上。换成 FLOP 加权 / 中位数 / 部署区间三种口径复算，差距仍在同一条带里（论文写 30–44%），这点做得比较老实。
二、真正该当头条的是「每个档位的成本」。
摘要只说「每次运行 GPU 成本低约 12%」，那是拿 131 对 149 比。把逐项账单摆开（1 张 A100、200 亿 token、双方都关蒸馏）：
- 传统 3 模型套件：216 GPU-h，3 个可用档位，72 GPU-h 每档
- MLMS 无蒸馏：149，3 档，50
- MLMS 加蒸馏：182–185，3 档，61–62
- TLM（均匀 π）：131，20 档，6.5
三、MLMS 在 k = 1 那一格，比掷骰子还糟。
摘要写「其余深度上处于随机水平（困惑度 10²–10⁵）」，正文给了具体数：k = 5 是 1,412；k = 1 是 438,883，而随机水平是 49,152（等于词表大小）。也就是说 k = 1 那格连均匀噪声都不如，不是「随机水平」而是「比随机更差」。这个层次感在中文摘要里完全丢了。
它也给了对手一条台阶：只微调 head 能把 k = 5 救回 177 PPL，但比训练过的 TLM 前缀还是差约六倍。
再补一个很好用的对照：TLM 在 k = 13（50M 与 100M 两个出口之间）是 22.6 PPL，几乎追平 MLMS 在它自己 50M 出口的 21.89；而 MLMS 在 k = 13 崩到 285 PPL。
四、「是目标不是嵌套」这句话有反证，而且反证是它自己做的。
log-uniform 采样器让 k = 1 的测度为零（从未被采样），它自己在那一格就崩到 6,740 PPL；exit-grid 采样器放弃连续性之后，非出口也回落到 MLMS 水平（k = 5 是 2,693）。同一个嵌套架构，换采样分布就换命运——这比任何论证都干净。
五、代价也写在表上，别漏。
全容量处 TLM 是 14.99 PPL，MLMS 四套是 14.96–15.42，确实打平；但单独训一份同规模原生模型是 13.98，MLMS 差 7.1%、TLM（exit-grid）差 4.8%。「一个模型服务二十个预算」不是白拿的，它换掉的是一部分峰值质量。摘要那句「在全容量处与它们持平」说的只是跟 MLMS 持平，不是跟原生模型持平。
六、工程侧的实况。
论文给的 Code 链接是个 2026-09-27 建、2 次提交、135 KB、0 星的仓库（Apache-2.0），比 arXiv 提交只早一天。架构上「二十层」具体是 11@320 + 5@576 + 4@960 三档宽度、共 20 个 block；三个 MLMS 出口 k = 11 / 16 / 20 分别用满模型 17% / 43% / 100% 的层 FLOPs。理解那张曲线的横轴时，这个换算比「二十层」三个字有用。
下一根钉子
最该盯的是 π 的取法。均匀 π 让 k = 1 有效但两端都不占优；exit-grid 把出口质量拿回来却丢了连续体。中间那件事——按预算分布加权 π（让每个档位的采样质量和它的调用频率成正比）——论文没做，而这才是「服务多种算力预算」这句话真正的落地方式。谁先补上这条，谁就能把 6.5 GPU-h 每档再压一截。