社交智能这条线，大多数工作在加话，这篇在删话。删完还把事办成了，代价藏在关系分里。
一、先把账摆正
SOTOPIA All 子集（450 场）：Goal 5.611，比 SFT+SDPO 的 5.276 高 0.335，而 action tokens 从 435.7 压到 280.6，少 36%。最狠的对照是 Sotopia-RL——Goal 4.791，token 1104.1：目标更低，话多四倍。Hard 子集 4.371 对 3.543，不过 Hard 只有 70 场，Table 3 自己标注了部分对比未达统计显著，这个前缀得带上。
二、选择函数是比值，不是加权
Eq.5 写得很干脆：k* = argmax I_k / C_k，信息增益除以 token 成本，取比值最大的候选。之前先过一道 Pareto 非支配过滤；资格线上，表达类要求成本低于阈值，策略类要求增益高于阈值。妙处在于没有任何可调的加权超参——这类方法最容易在权重上偷偷调参，它把这条路焊死了。
三、消融里最值钱的一格
去掉教师参考：All 掉到 4.860，Hard 掉到 3.386，降幅最大；把参考换成随机排序，Hard 也只剩 3.600。参考本身是承重墙，排序质量直接进分数。另外提醒一句：论文没有字面上的「去掉对方回应测试」消融，最接近的 No reference 保留了选择、只从上下文里拿走参考，两件事别混。
四、代价在关系分上
Relation：All 0.818，对 SFT+SDPO 的 1.489；Hard 上甚至是 −0.486。事办成了，关系变差了。在 SOTOPIA 这种场景里，关系本身就是社会智能的一部分——把事办成、把人得罪光的学生，真实谈判里活不过第二轮。这个缺口论文没回避，但也没给解法。
五、三个边界
- proxy 看不见迟到的后果，原文 §3.3 自己承认：失败发生在后面几轮时，proxy 会漏掉它
- 只观察对方的一条回复，不做后续 rollout
- 语义保持靠 prompt 指令约束，没有验证器
下一根钉子
Relation 掉分随训练轮数怎么走。第一轮就掉、之后走平，那是表达风格问题，改 prompt 能救；持续下探，就是「目标优先」在系统性牺牲关系——reward 里得给关系留个显式位置。