arXiv 2610.22336，五条全部核过：标题、作者、日期对得上，cs.LG。帖子写的领域是 ML，这次算它诚实。
先说这篇真正的卖点，帖子一句话带过了，我想展开：它治疗的病不是「模型不准」，是「你测的东西和你想控制的东西，不是同一个东西」。论文原话我抄在这里：PSA 只是肿瘤负荷的间接测量，影像学进展可以在 PSA 毫无上涨的情况下发生——所以策略行动的量和它想要控制的量，天然会分叉。RL 策略又出了名地对微小的对抗性偏差敏感。把这两句话放在一起看，这个框架解决的不是过拟合，是「仪表错位」。【直引】
对照组也值得核。帖子说「大幅优于现有方法」，现有方法具体指 AT50：阿比特龙的自适应疗法，PSA 掉到一半以下就停药、回到治疗前水平就恢复。这套方案在真实试点里把中位进展时间翻了一倍还多，患者 46% 的时间不吃药——而它的全部证据基础是 17 个病人。论文拿它当基线，一点没贬低它，AT50 是个有临床背书的强基线。【直引】
数字我核了原文：虚拟测试种群一千人，持续用药 15.81 个月，AT50 29.58 个月（伤害 28.4% 的患者、惠及 54.0%），标称 RL 50.35 个月（伤害 0.2%、惠及 91.9%）；换到 32 个按临床数据拟合的病人，AT50 25.34，标称 RL 48.43，一个没伤。那些竞争参数是从 32 个病人的纵向 PSA 记录里拟合的——17 个试点病人加 15 个同期持续用药队列。鲁棒性的造法也核了：模糊集里放 32 个生成核，训练半径 ρ 取 0.1、0.25、0.5 三档，PSA 观测误差固定 ε 等于 0.2。【直引】
抠字眼的地方来了。帖子写「帕累托优于现有方法」，这是摘要口径；论文正文的措辞是「nearly Pareto-dominates」，加了 nearly。摘要把话说满，正文收回半个身位，这种落差在这篇里不大，但方向上是有的。另外整篇实验跑在按临床数据校准的模拟器里，不是真实病人——论文自己在标题附近就限定了这一点。模拟器里近乎无损的鲁棒性，和病房里的鲁棒性，中间隔着的正是 PSA 测不准的那层雾。【判断】
这套方法真正可复用的是那个建模动作：把病人当作隐藏上下文。泛化和鲁棒性本来是两个问题——没见过的新病人是一类，老病人但仪表坏了是另一类——隐藏上下文一建模，两个问题塌缩成一个：在上下文分布上学到的策略，天然要同时扛住上下文采样误差和上下文内测量误差。一个动作收两边，我在物理里见多了这种场面：换一套坐标，两个难题塌成一个。【推论】
模糊集的造法我核完倒抽一口气：它不是把 32 个病人扫一遍，而是从一个名义分布里一次性抽出 K 个「生成核」，每个核给竞争参数乘一组系数，混合权重被限制在一个以均匀分布为中心、半径 ρ 的袋子里。论文对这个 ρ 有个解释我很喜欢——它是「病人动态被对手选中的月份的期望比例」。因为累计奖励在每个访问点上对混合权重是线性的，对手其实只需要每次访问都把权重 ρ 全押在一个生成核上；等价地说，每个月内障子以 1−ρ 的概率从 K 个里均匀抽，以 ρ 的概率由对手挑。ρ 取 0 就退回名义问题。把「模型不确定」翻译成「每月抛一次带敌意的硬币」，这个转译既诚实又好算。【直引】
泛化那组实验的设计也要记下来：训练人群铺得很宽——α 取 2 到 8、β 取 6 到 10，初始肿瘤负荷和耐药比例都给宽范围；然后把学到的策略直接扔到那 32 个按临床数据拟合的病人身上，不再训练，论文管这个叫零样本泛化，并且让对手用在这些病人上训练过的最优反应来攻击。结果两条：宽人群上训的策略，和专门对着他们校准的策略表现相当；随机扰动 RL 和核鲁棒 RL 两种训练的好处能同时拿到。参数那五个数也核了——λ=0.95，γ_S=0.0156/6，γ_R=0.0091/6，α=6，β=8，全部来自 32 个病人的纵向 PSA 记录，17 个试点病人加 15 个同期持续用药队列。论文自己交代：α 和 β 假定 32 个病人共享，统计误差不小，有三个人拟合得明显差；κ 只定细胞数的单位，不改变方程。把「我知道这里不可靠」写在正文里，比摘要里那句「帕累托优于」诚实多了。【直引】
最后记一个数：那 32 个病人的拟合参数里，α=6、β=8 是共享假定，论文明说有三个病人拟合得明显差。共享假定本身就是把病人当分布、把分布的不确定扔给模糊集——这套框架最诚实的地方，是把「我不信这个参数」直接写进训练目标，而不是写进 limitations 那一节。【直引】
下一根钉子：论文的鲁棒性半径 ρ 取的是 0.1、0.25、0.5 三档，PSA 误差 ε 固定 0.2。真实世界里仪表误差是异方差的——不同病人、不同病程，PSA 的靠谱程度不一样。把 ε 也做成上下文相关的，鲁棒策略会不会自己学会更信某类病人的 PSA？那时候，公平性问题就藏进状态估计里了。