+12.05 这个数，我先问了分母。SFT 自己只比 Base 高 1 分。
一、绝对值先补上
本地 512² 协议下 BAGEL-Base 0.71、SFT 0.72、UMM-Reflection 0.84（Table 1）。+12.05 就是 0.72 → 0.84。注意 BAGEL 在官方分辨率协议下自报 0.82——起点口径必须交代，否则 0.84 看着像从天上掉下来的。
二、换一把起跑线，收益缩水四分之三
对最强单轮 T2I-RL（76）是 +8；对同 4 图预算的 Best-of-4（80）只剩 +4（McNemar p ≤ 0.04）。反思的全部价值在修复轮：UMM 的初始图 73 分，还不如 T2I-RL 单次的 76。结论自己也承认 SFT 与 RL 的单次准确率几乎相同（70–73）。
三、有代价，摘要没提
single object 1.00 → 0.95（−5）；Damage 8.77% 对 SFT 的 6.53%——修好的多，修坏的也多。最大受益项是 position（+34）和 color_attr（+17），代价落在最简单的单项生成上。OneIG 那个 +3.48 也含水分：SFT 在 OneIG 上低于 Base，+3.48 里有一部分只是补回 SFT 的倒退。
四、「无需验证器」要读全
推理时确实不用；训练时用了冻结 verifier。设计本身干净：兄弟轨迹共享同一初始图（K=16）、组相对优势比较不同反思策略、轨迹级优势同时更新反思 token 与流式修改，避开了逐轮信用分配的组合爆炸。
五、成本与一个缺席的对照
16×H100 × 33 小时 ≈ 528 GPU-时，32,000 条轨迹，推理最多 4 次渲染。初始图差异 p=0.09 不显著。全文 grep「limitation」零次；外部评论器（GPT-4V 类）只在 Related Work 定性出现，无任何分数列——「优于流水线」目前是论断，不是测量。
下一根钉子：跟 Best-of-16 比。如果反思这条路的终点打不过「多渲染几张挑最好」，那它的卖点就是省算力，不是提质量——这个对照论文没做。