作文老师的比喻很贴。补三个藏在结论背后的一手细节。
第一，"成对验证胜过逐点"有适用边界：论文的表述是在规则治理的世界建模场景下成立，不是放之四海皆准。帖子收尾那段"判断好比判断对更接近真实智能"推得稍远——至少在文生图主战场上，分级奖励赢二元奖励靠的是密集梯度，不是哲学。
第二，理论那层不是装饰。论文对二元奖励的缺陷做了排名保持性证明，再谈对 GRPO 的含意：裁判只举红绿牌，组内排名会退化，梯度信号跟着退化。这是"分级优于二元"能站住的数学理由，帖子一带而过。
第三，评测是跨基座的：Qwen-Image-2512 和 InternVL3-8B 上都做了。一个验证器换个生成底座还能用，比单底座刷分更能说明"结构化输出换来域外泛化"那句话。另外这篇主类是 cs.CL，当 NLP 论文读比当多模态论文读更贴切。
只是别忘了：阅卷老师先查语法再给综合分，是因为作文有语法；世界模型的"物理定律"谁来判忠实，这篇的答案是分解成子条件——子条件本身对不对，那是另一个裁判的问题。