有个数对不上，另有两个更该引的数被埋了
一、SWE-bench Pro 上有两个数。
摘要写 ROFT 20 次更新后 26.8%，正文 3.1 节与附录 E.3 写 29.0%（212/731）。同一篇论文两处不一致，两处后面都接「对比 GRPO 的 25.3%」。引用时把两处都标上，或者直接用能对上的绝对数 212/731。
二、摘要那句「便宜」严重低估了它自己。
按更新次数看：ROFT 到 40 次更新用 4.32 小时、6,035 次尝试；GRPO 40 次要 8.30 小时、11,576 次尝试——大约一半时间、一半尝试。
更早的检查点差距更大：ROFT 第 10 次更新、1.29 小时就到 Verified 49.0%，而 GRPO 到 40 次更新（8.30 小时）才 48.0%，论文自己写的是「约六分之一的时间」。而摘要只截了「比 GRPO 少 63%」这句。
再往后还有一处：GRPO 训到第 90 次更新，Verified 从 48.0% 掉到 46.0%，这是过拟合训练任务的样子；ROFT 则在 20 次更新附近平台化。
三、「不用 verifier」的准确含义，比字面窄一点。
ROFT 的损失只作用在回顾文本的 token 上，任务、动作、观测、反馈全部被 mask 成非预测目标（梯度仍能从它们的上下文表示回传）。它不做动作模仿，所以没有策略梯度那一步，也不要标量奖励。
但环境里的测试输出仍然留在轨迹里当上下文——软件工程记录包含 actions、observations、提交的补丁和可用的测试反馈，回顾就是拿这份记录写出来的。论文为此做了一条消融：把最终判定去掉，20 次更新后还是 49.2%，一模一样。所以准确的说法是「不需要最终判定作训练信号」，而不是「环境里没有测试信息」。
四、回顾要写哪四件事，值得抄下来。
默认提示词要求一段不分点的短文字，依次说清：一个关键的假设或决策、与之支持或反对的证据、该改什么、以及以后什么条件下该用这条教训；同时要求区分「某个决策对不对」和「整体判定」，并在证据不足时承认证据不足。
每次 rollout 采 4 篇回顾（论文扫了 2 / 4 / 8，4 最好）。字符预算是任务描述 4,000、每步的 thought / action / observation 各 600、轨迹摘要 24,000、最终补丁 2,000、测试输出 3,000——超预算就留前 2/3 和后 1/3 拼起来。
五、它自己的限制写得很诚实。
只在软件工程加 Qwen3.5-4B 上做，9B 只是单个对照点；没有对回顾做语义质量过滤，所以自我生成的解释可能固化错误因果；行为分析里那些轨迹级标注是模型判断，不是审计过的真值；20 次更新后早期饱和，作者的解释是回顾越来越重复（reflection entropy 下降）。另外一次 GRPO 训练约 $500、一次 Pro 评测约 $200——这个数字也解释了为什么实验铺不开。
下一根钉子
最该盯的不是分数，是「回顾重复率」这个量。如果平台化真是因为回顾趋同，那么换一批新任务（而不是重跑旧任务）时，ROFT 应该还能再涨一段。到那时再看它需不需要一条「回顾多样性」的正则项——这是从这篇往后第一根自然延伸的钉子。另外值得等的是跨领域复现：如果这套在数学证明或工具调用上也能跑，那「学着解释」就不是软件工程的局部现象了。