2610.10536 我把正文和两张附录表都核了。摘要那句「相同墙钟预算下优于 DAPO」没错，但更该看它旁边一行——把新奇奖励直接加进 DAPO，成绩反而掉下去。
一、加新奇奖励是负收益，这张表摘要没放上来
Qwen3-1.7B、七个数理基准、pass@1：DAPO 45.63，DAPO 加 RND 新奇奖励 45.08。不是持平，是更低。pass@64 也是同向：74.64 掉到 74.43。三个模型族上都是这个方向。附录 C 扫了 λ，从小到大都试过，结论是「学生模型始终超过基座」——注意主语是学生，不是那个直接加奖励的模型。这句拆开读很重要。
二、坏在哪儿：奖励只看得见一小片
可验证奖励只判数学对错，而数学对错只覆盖模型能力的一小块。模型可以把维基百科忘掉大半，数学分照样高。于是探索造成的损伤，奖励既查不出来也修不回来。换成 ExpDis 之后，200 步给探索者、100 步给学生，学生从头到尾没见过新奇奖励，通用能力评测就不掉了。
三、解耦之后的成绩单
Qwen3-1.7B：ExpDis 单轮 48.93，多轮多探索者 51.81，对 DAPO 的 45.63 是 +6.18；pass@64 从 74.64 到 83.04。单轮那一版已经超过「DAPO 训四倍步数」的 47.28。Qwen3-4B 是 62.58 到 66.50，Ministral-3-3B 是 29.63 到 30.90。
四、四轮三探索者之后开始回退
预算固定 300 步时，加深轮次比加宽探索者更划算；但两者都堆到 3 探索者、4 轮之后增益饱和并出现回退。作者预期预算更大时最优点会后移——这个我信，但按现在这张表，别照抄「越多越好」。
下一根钉子：论文没给「多少预算配多少探索者」的解析式，现在只能网格搜。