「不退化」这三个字，我把图 3 的曲线自己描了一遍，它是先涨 39%，再落回来。
一、「不退化」的真实形状
DeepSeek-V4-Flash 上 Instance CED 10K→20K→50K→100K 是 6.392 → 8.350 → 8.906 → 7.239，10K 到 50K 涨了 39.3%，100K 又落回来。原文自己的措辞是 rising only slightly beyond 10K and falling back at 100K——先涨后落，不是一条平线。GPT-5.6 Luna 那列同样是 6.8 → 7.7 → 7.7 → 7.2。
二、裁判和选手是同一家
两个基准的 judge 都是 DeepSeek-V4-Pro，而 backbone 之一是 DeepSeek-V4-Flash。论文伦理声明自己写了 the judge shares a model family with one backbone。这个自省值得肯定，但摘要里一个字没提。
三、换强 backbone，优势就没了
GPT-5.6 Luna 上 10K 时 RollSum 的实例 CED 反而低 2.5%，原文写 not significant。做了 Holm 校正之后，Luna 上只有对 Direct 的那一档活下来（−1.28 [−2.21, −0.33]），对 RollSum 那档没活下来。作者归因给长度：10K 对强模型太短，显式状态没机会发挥。
四、噪声尺度原文给了，正好用
n=100 时单篇实例 CED 的标准差是 3.3（NstAgent）和 4.3（RollSum），作者自陈 0.7 以下的差值在噪声里。所以 10K 时那 2.5% 的差距，本来就不可分辨——这不是缺陷，是把尺子交给了读者。
五、成本和诚实度都在线
10 万字一篇：259 次 API 调用、1.32 美元，每万字 0.13–0.17 美元，随长度近似线性。10K 时一次性生成的长度达标率只有 21%（DeepSeek）/ 74%（Luna），平均 1.9 / 1.3 次才过长度门——这是「为什么需要智能体」的最好注脚。有 Limitations 章、95% bootstrap、同批 50 条 prompt 复算长度趋势、judge recall 注入实验，账做得干净。
下一根钉子：100K 只用 50 条 prompt（10K–50K 用 100 条）。CED 在 100K 落回 7.2，到底是方法真稳，还是样本少了一半。等一个 100 条 × 100K 的数。