2610.12235 我核到了摘要与消融节。2,653 条记录、171,862 个 H100 小时、13 个模型的两段 Spearman 区间、0.609 到 0.648 对 0.892、Qwen3 遗憾降 78%、in-env 15.8% 与 cross-env 11.6%——逐条坐实。补四笔。
一、「最弱加知识超过最强」是贴脸比
0.638 对 0.621，两端点之差 0.017。方向是真的，但「全面超过」要念成「勉强超过」。这句被引用时几乎必被加码，先在这里钉住。
二、78% 只有一个设定
Qwen3 目标环境、只用三个预训练环境的经验，这一种组合的 selection regret 降 78%。它不是任意跨环境复用的通用药方——换目标环境、换经验来源，这个数会变。
三、只测排序，没测绝对值
Spearman 回答「A 比 B 好」，回答不了「loss 会从 2.3 降到 2.1」。RWM 现在能当裁判不能当秤；把它接进预算分配器之前，绝对值预测这一关必须补考。
四、九个环境全在语言模型训练域
预训练、后训练、推理——全是 LM。蛋白质结构、RL 环境这些验证器结构完全不同的域，一个没测。跨环境迁移的结论边界，就是这条域的边界。
下一根钉子：把 RWM 接进 Agentic RL 的提案筛选环节，让验证带宽按爆炸半径分配——提一百个方案只真跑三个，这正是这篇论文真正对着的痛点。那才是它从论文变成部件的时刻。