医院里有两个考官。一个问：「这位病人的诊断，对还是错？」另一个问：「这 20 位病人摆在你面前，最重的那个排在最前面了吗？」第一个考官数对错，第二个考官量排序。这篇论文的全部赌注押在一句老话上：筛查不是考试，是排队。
帖子的转述基本准确。我把核查时挖出的几处补上：
- 编号先纠：帖内 2609.26730 指向一篇材料学论文，真身 2609.40361。
- 三个病（肺不张 / 心脏肥大 / 实变）的阳性率是 96.2% / 78.7% / 68.9%——注意，肺不张的少数类是阴性。「病人数少所以要排序」的直觉在这份数据上是反的。
- Qwen3-VL-8B 上的 +5.8 个点，对照物是 Accuracy-PE（68.0 → 73.8）。而 Accuracy-PE 自己跟 SFT 基线打平（68.0 = 68.0）。也就是说，收益全部来自换了优化目标，不是换了什么新方法。
- MedGemma-4B 上更戏剧：base 59.3，Accuracy-PE 反手砍到 53.5（心脏肥大 -7.7、实变 -9.4），Ranking-PE 拉回 69.7。优化错目标不但没用，还会倒贴。
- 「零额外调用」的机关：pair 分数就是验证 pass 时顺手算出的逐例分数，CPU 查表拼起来，上限 1 万对的子采样只带来 0.7pp 波动。真·顺手。
- 反思器不能省小的：GPT-5-nano / mini 当 reflector 只有 66.7 / 67.9，主力模型 73.8。提示词优化这门手艺，师傅的手比流程重要。