这篇帖最大的问题不是数字，是出处
帖子从头到尾没给一个 arXiv 编号。我搜了一遍，这篇论文的真身是：
- arXiv 2609.35741，标题是《Shockingly Simple Self-retrospection Improves Agentic Models Without RL》
- 作者十位，机构横跨 Microsoft Research / RPI / UC San Diego / KAIST / Mila
- v1 提交日 2026-09-28
【直引】论文里还有一句定义值得抄出来：they call this direction Retrospection Reinforcement (RR)。方法和名字不是一回事——方法叫 ROFT，方向叫 RR。
一个必须先解决的口径问题
论文摘要自己写了一句限定语，帖子里没提：
> compared with GRPO's 48.0% and 25.3% after 40 updates in the evaluated runs
in the evaluated runs。 论文还有一句：at 20 updates, both …SWE-bench Verified score in this comparison。
也就是说 49.2% vs 48.0% 是同一批评测运行里的对照，不是「ROFT 打到底 vs GRPO 打到底」。差的绝对值是 1.2 个百分点——分母是 500 题，也就是 246 题 vs 240 题，一题之差六题之差。论文另一处直接给了分数：solve 246/500 and 240/500 Verified tasks, respectively。
【判断】这个差距小到不足以支撑「快得多」的因果主张。真正撑住「快得多」的是成本那两栏：4.32 小时对 8.30 小时、6,035 次尝试对 11,576 次尝试。1.92 倍的时间，1.92 倍的尝试，换 1.2 个百分点。 论文的 Figure 1 标题写的是 63% less training time，但正文 4.32÷8.30 = 0.52，也就是省48%。这两个数不一致，我核了三处都没找到 63% 的算法——这条挂起。
「六分之一」这处，帖子整段搞反了因果
帖子写：
> ROFT 十次更新、1.29 小时就到 49.0%，超过了 GRPO 四十次更新的成绩，论文算了算，那大约是六分之一的时间
论文原话是 ROFT solves 49.0% of SWE-bench Verified after ten updates and 1.29 hours, exceeding the 48.0% achieved by GRPO's 40-update checkpoint, which takes 8.30 hours, in roughly one-sixth the training time.
这一句本身完全对。但问题在于：1.29 小时是十次更新，论文的 63% / 一 sixth 这类效率声明都是拿20 次更新 vs 40 次更新在比。10 次就超过 40 次，这恰恰是「早熟」，不是「高效」。 论文自己的机制假说是 ROFT's early saturation reflects…——它在20 轮附近就饱和了。把「10 轮追平 40 轮」读成「同样效果省 6 倍时间」，是把收敛更快和每单位算力更划算混成了一件事。
真按 20 轮算：1.93 小时对 5.33 小时，2.76 倍。这个才是同口径的比较。论文自己也没有夸成 6 倍。
那个「全错也能学」的数字被放大了
帖子写「SymPy 和 SymbiFlow 从 0/64 起步，训练后能解出来了；Pylint 从 2/64 到 12%」。
论文原文是 After 40 updates, the online solve rate reaches 1.75% on SymPy and 3.29% on SymbiFlow。也就是说从 0% 到1.75% 和 3.29%。这两条任务实例分别是 SymPy 20916 和 SymbiFlow 17，名字里就带着仓库和 issue 号。
Pylint 6386 那条是 12.00%，帖子对了。
【直引】论文的措辞是 learning can begin without any initially successful trajectories ——「学习可以开始」，不是「学会了」。1.75% 和 3.29% 离「解出来」差得很远，但离零已经不一样了，而这正是 GRPO 结构上做不到的事（组内全失败 = 零梯度）。
【判断】所以这个实验真正的贡献不是「ROFT 解决了难题」，是它证明了一个此前被当作不可能的梯度来源是存在的。1.75% 是个小数字，小到不能拿去投资，但大到能拿去立项。
消融那一格：加权实验的分母是 640，不是 500
帖子写「给『证据』和『修正』加权效果最好（54.4%、54.2%），高于均匀加权（50.6%）」。论文里是三个数：54.69%、54.38%、54.22%，Uniform 是 50.63%，最优是 Attention-up 350/640。帖子写的54.4/ 54.2 应该是取了一位小数，但漏掉了最高那个 54.69%，只留了第二三。
更重要的是分母。这一组是 640 次判定（64 个训练题 × 10 次），不是 500 题的 Verified。所以：
- 54.69% − 50.63% = 4.06 个百分点
- 换成题数：350 − 324 = 26 题
【判断】「起作用的是解释的内容，不是解释的形式」这个结论我认同，但它的证据强度是23–26 题之差。而且 Attention-up 这个最高项，是把原始基座模型对用户提示的注意力加权——复盘里根本没有用户提示，所以这一项严格说不是「复盘成分的加权」，是往复盘里混了一条与复盘无关的信号。这一格挂起。
复盘该不该看见判词：数字对，但结论要收一半
帖子这一格写得很好：能看到判词的版本和看不到的版本都训出 49.2%，所以「不需要验证器」不是话术。论文的数对得上（with the verdict / without，246/500 and 237/500，as in the main comparison）。
但正文那句解释值得再读一遍：测试输出本来就躺在轨迹里。所以这组消融证明的是「判词这个额外信号是冗余的」，不是「复盘不需要外部信息」。 复盘需要轨迹，需要测试输出，需要代码补丁——那是很强的信息。它需要的是经历，不是答案。 论文自己的标题就写对了：training only on explanations of its own experience。
三个被略过的实用数字
- 硬件：八个 NVIDIA B200，四个训练四个推理。 这不是「几百美元的实验」，是几万块的量级。$500 一次 GRPO 训练、$200 一次 SWE-bench Pro 评测只是GPU 那部分。
- 数据集是 SWE-rebench-767，767 题里挑出「有成功也有失败」的。为了让 GRPO 有信号而做的筛选，本身就是把题目往GRPO 擅长的方向推。 论文诚实地写了这个选择，帖子也提到了，但没说清这意味着 Verified 上的分数是被这个筛选抬起来的。
- Qwen3.5-9B：58.8% 对 55.8%，1.93 小时对 5.33 小时，294/500 对 279/500。 差15 题。这一栏帖子写对了，是全篇最硬的一组——因为 9B 上的差距比 4B 大不少，说明规模变大时 ROFT 的优势在放大而不是缩小。
下一根钉子
一句话写进复盘的风格，后续 token 少 11.7%、轮数少 13.1%，没有任何长度惩罚。论文还给了个更有意思的数：-12.3% token、-12.9% 轮次（另一个条件）。
那就把这条线和那句「复盘要自己写吗」的结果合起来看：在线 49.2% / 冻结生成器 47.4% / 离线 RR 48.0%——冻结生成器比在线低 1.8 个百分点，而全离线只低 1.2 个。 也就是说「解释必须新鲜」这个结论，在成本上远没有在效果上那么必要。冻结生成器便宜得多，代价是 1.8 个百分点。
下一步该盯的是：如果只保留「语言是方向盘」这一条（提示词里加一句「想想怎么更直接地解决」），完全冻结生成器，成本会掉到多少而分数会掉到多少。这两条线能不能分开算账，没人算过。
arXiv 2609.35741，Microsoft Research 等十家机构，v1 2026-09-28，62 页 18 图 5 表。