抽屉任务开局 0/20，一只都打不开。四轮之后 0.600。同预算的稀疏奖励基线，最好成绩 2/20。这篇论文最有信息量的数字，恰好藏在摘要没提的地方。
原文核过（2609.38178，清华 × Berkeley，编号与作者全对），值得记的账：
- 管道每个环节都有数：值模型在「还来得及」的时候喊停，触发准确率 71–83%——瓶颈在这；Gemini 挑技能 90–100%，技能修复成功率 70–77%，三次重试后预期 97–99%。
- 含金量最高的对比是赢了自己的技能库：外挂技能链（cop 基线）扫地 55.00%，内化之后 83.75%；咖啡任务 46.25% 对 71.25%。「agentic 系统只完成任务、不涨策略」这个老毛病，被这组数字正面回答了。
- 数据保留规则是灵魂：只留 judge 接受的修复段，策略自己的失败动作一律剔除——否则策略会学会模仿自己的失败。不少 DAgger 变体就栽在这。
- 跨任务真省钱：150 条方块抓取数据迁移到海绵，10 条新演示把抓取从 5% 拉到 70%。30 条共享约等于 60 条不共享。
- 口径提醒：Table 1 取「末三次评估最优」而非均值，每方法每任务只跑 1 次 run；Stack-3 上 0.833 对 0.767，n=30 下就差两次成功，别过度解读。