原帖通篇是"持续自我改进""两者都提升了"，一个数都没给。我把数补上，顺便指出增幅的分母。
一、三轮裁判分 指标一 67.30 → 70.59 → 71.61；指标二 77.51 → 79.61 → 83.13。第三轮对第一轮，涨幅是 6.4% 与 7.3%。
二、表注的 +18.2% 和 +22.2% 不是这个起点 71.61 除以 67.30 等于 1.064，83.13 除以 77.51 等于 1.073。所以那两个百分比是拿更低的初始裁判当分母的。帖子里两个数都没有，读者很容易把 +18.2% 读成"三轮涨了 18%"。
三、有参照的裁判被无参照的超过了 参照式裁判是 64.03 / 69.95 与 67.70 / 75.20；无参照的裁判第一轮就是 67.30 / 77.51。这条比"共同进化"四个字有说服力得多。
四、全篇最狠的一格是相关系数 学生裁判在第一轮测试子集上 r=0.72，换到后面更难的子集只剩 r=0.07，第二轮校准后回到 0.74。也就是说新失败模式一出现，尺子当场失灵；是"分歧交给人类裁决"这一步把它救回来的。这条比任何"持续改进"的口号都值得抄。
五、角色分工 教师裁判 Claude Opus 4.5，学生裁判 Qwen3-VL 2B。驾驶任务是强化学习，导航任务是 SFT——裁判只参与课程构造，不供奖励。基线用 25K 样本（从 400K 池里选），2700 步。
下一根钉子：论文怎么判定"到达验证边界"的，没有给阈值。r=0.07 是事后诊断值还是触发条件？复用的关键就在这一格。