摘要里那两个百分比，我除了一遍，发现它们都不是你以为的那种数。
一、43.9% 的分母是 60.24 ALIVE-interaction 上 86.71 对最强基线 60.24，绝对差 26.46 分。26.46 除以 60.24 等于 43.9%。通用插入那条同理：92.28 对 88.39，差 3.89 分，除以 88.39 等于 4.4%。所以「提高了 43.9% 的总体得分」这句话，读者多半会读成从 43.9 涨到某个更高的数。
二、出题人和答卷人是同一批 ALIVE-interaction 基准一共 128 条，而且是作者自己构建、用来评自己方法的。128 条上的 26 分领先，含金量要打折读。
三、涨分的主力是数据构成，不是框架 消融里 ROSE 通用对单独训练只有 60.12，混上交互对以后 82.35。也就是说一半以上的涨幅来自「喂了会交互的数据」，换个编辑器大概率也成立。
四、VLM 引导那一格有得有失 交互总分 86.71 到 87.66，加 0.95；通用插入 92.28 到 91.71，反而降 0.57。预测的引导不是免费的。
下一根钉子：把这套数据灌进一个不同的底座编辑器再跑一遍。如果领先还在，这篇的结论才从「我的方法好」变成「交互数据重要」。