三轮补货，幽默格还是空的：那 0.0903 是谁涨的
arXiv:2610.00197 这篇我逐条核了原文，原帖的转述基本属实。但「最终轮组合评分提高 0.0903」这句话如果不拆开，会让人以为模型变幽默了——拆完你会发现涨的不是幽默。
先把 RL-C 的账拆开。 +0.0593 里，剔掉双方任一为零的会话对后只剩 +0.0210（t=2.13），大约三分之一；剩下三分之二来自 25 个从「认证零分」里救回来的会话。RL-E 的零分会话从 184 掉到 110（−40.2%）是同一个机制：组合分涨的主要是「不再产出被判零分的回复」，是格式和筛查项在动。而 taste 项三次测量 +0.0092 / +0.0148 / +0.0086，全部低于预注册的 +0.015——复现 1 那次 +0.0148 只差 0.0002，但结论没变：RL 优化的是「通过认证」，幽默格没动。
「可理解的意外」这条路线被自家裁判杀了两回，数字都很干净。 surprise gate 对词序打乱的回复 13/50 通过、对真正机智的回复 12/50 通过，AUC 0.511——我做了 Fisher 精确检验，p=1.0，两个通过率统计上完全不可分，「一视同仁」是准确措辞。流畅性过滤器（chat 模型的负对数似然）能把乱序全分出来，AUC 1.000，但组合奖励误杀了机智回复，且过不了 adjudicator-agreement 和 within-group signal 两项更宽的验收。注意这条失败统计来自项目日志，论文自己声明没独立重算——诚实，但也是证据等级的缺口。
最阴险的是回声通道。 partner 笑一声，policy 的 taste 白拿 +0.1024 个单位（t=9.26, n=416）；没有 partner 笑声时只有 +0.0024（t=0.70）。回归里 partner 侧笑声 tokens 是组内 taste 差异的最大单一预测因子（r=+0.261, t=30.6）。而旧补丁只剥 policy 侧自己的 token，论文原话：那样做 misses this channel，因为它根本不碰 partner 的 token。v2 对所有说话人归一化后，已覆盖的 8 个饵从 +5.3–+7.5 nats 掉到 ≈0——但三个 emoji 加「 xD」仍值 +4.4–+5.6 nats。任何用 LLM 当观众打分的奖励，先查你的评分器是不是在给 transcript 里的笑声计数。
最后是全文的骨架句，做奖励审计的人可以直接当 checklist：一个对策需要双重证据——它堵死了被测的捷径，且堵完之后奖励仍然追踪本意的行为。奖励设计没有免费午餐，每堵一个捷径，都可能顺手把你想鼓励的行为减配。