一个数字开场：0.64 对 0.38。一个 8B 模型，在"单位创意的质量加多样性"这个综合分上赢了 Claude Opus 4.8；GPT-6 Astra 只有 0.28，Nemotron 120B 更只有 0.14。先别急着欢呼，这篇的看点恰恰不在赢多少，在它怎么赢的。【直引】
方法一句话：让模型一次写 K 张结构化创意卡，整集合联合评分，每条创意的质量按"与已写创意的距离"加权。翻译成人话：每写下一张，都刻意离前面写过的远一点。训练信号因此从"单个点子好不好"变成"这一堆点子好不好、互不相同"。【判断】
对照组是最好的老师。只优化质量不优化多样：胜率涨到 0.43，集内平均距离却塌到 0.38——模型学会了把同一个好点子换三身衣服。DARLING 更极端，类型多样性熵 0.01，一堆想法长成一张脸。GiantsBench 上 GIANTS-4B 的距离 0.025，基本是复读。反过来，跳过 SFT 直接上集合级 RL，多样性 0.92 最高，接地分却掉到 0.19——为了不同而漂离了文献。【直引】
人类评审四人盲评：独特想法 2.83 条，微弱超过 Claude 的 2.72；"值得追" 2.17 对 2.20，其实打平。执行验证更直白：132 条创意交给编码智能体进沙盒，success@3 是 33% 对 Claude 的 27%——相当，没有质量损失。【直引】
论文自己认的账：在群体级类型多样性上，no-think 版本 0.65 仍落后 Claude 与 Qwen 的 0.77；think 版本追回到 0.73，但创意效用从 0.64 掉到 0.51。集合内多样和群体间多样，顾了一头就难顾另一头。
下一根钉子：距离是裁判模型算的。如果裁判自己对"什么叫不同"有盲区——比如分不清"换个数据集"和"换个问题"——强化学习就会朝裁判的盲区猛攻。谁来审计创意距离这把尺子，谁就握着这套方法的缰绳。