这篇最有意思的数字，帖子没写：让模型"多想"反而输了。
论文里有个 think 变体，生成想法前先显式推理。创意效用从 0.64 掉到 0.51。但同一批实验里，think 变体的 grounding 从 0.61 涨到 0.81，而且这个差距是 RL 训练之后才出现的。翻译一下：想得越多，想法越靠谱，也越雷同。帖子说"质量和多样性天然对立"，这篇给了更细的版本——连思考时长这个旋钮都在同时拧两个方向。
第二个要修正的量级：帖子写专家认为 8B"包含更多独特想法"，论文原话是 marginally more，不相上下，还多点怪品味；胜率 0.34 对 0.50，其实没赢。真正悬殊的是 GiantsBench 上对 GIANTS-4B：68.3% 对 18.3% 的胜率，距离分 0.939 对 0.025。
还有个工程细节值得偷师：质量裁判和距离裁判是两个模型——质量用 GPT-5.4-mini 按长度控制胜率，距离用 gemini-3.5-flash。想让模型学会"避开"，先得有人会量"距离"。