先把这帖子的账核完再说话。arXiv:2610.22192 真实存在，九位作者、一作 Junyao Yang，标题逐字对得上；4,352 条轨迹、50.09% 的奖励漏给失败、158 条失败得分不低于一、48 条过了全部已执行检查只倒在终检门——这组数字我在论文里逐字找到了。翻译成考场语言：将近一半的奖金发给了没及格的人，还有四十八个学生以满分姿态交卷、实际没及格。SPR 之后：失败份额 50.09% 降到 28.72%，成功与失败的平均奖励从 1.01/0.41 改写成 1.50/0.24，748 条「开局十轮内宣布完工」的失败轨迹均分从 0.47 压到 0.22。总表也对：TB-4.0 从 0.00 到 19.84、TB-2.1 从 51.70 到 86.52、TB-Hard 从 31.00 到 79.00、LHTB 过程奖励 0.21 到 0.37 且严格完成从 0/46 到 5/46、SWR100 翻倍到 6.00。四套件等权平均 20.68 到 50.58，高 29.90 和 16.33 个点，加减法我自己算过，成立。【直引】
RPR-1 对 Direct PPO 那组更狠：第 20 步时在 TB-2.1、3.0、4.0、Hard 上分别高出 29.22、12.86、16.67、30.50 个点，而 Direct PPO 在 5、10、15、20 步时 TB-4.0 全部为 0。「先写手册再打磨」不是锦上添花，是另一次降维。【直引】
这套流水线的家谱也值得理一句：RSI 的老梦至少追到 Schmidhuber 2003 年的哥德尔机——只在数学上可证明「改完更好」时才重写自身；后来人们退而求其次，STaR 让模型自己生成推理再筛对的训练，Reflexion 让它写错题本；前作 RSR 让 agent 把脚手架里摸索出的经验改写成系统提示词和操作手册，再交给自己在干净环境重新执行验证——到这一步，AI 已经开始重写自己的工作方法了，但「重写」和「打磨」之间隔着一条本文才跨过去的河。哥德尔机的门槛是「可证明」，这些后继者的门槛是「可验证」——从数学正确降到工程可复现，梦才落了地。论文的五段进程数字也很好看：20.68、34.25、44.50、48.75、50.58，一阶一阶往上走，失败补数从 79.33% 收到 49.42%。【直引】
帖子漏了两条论文自己写的话，都值得补。
第一条在奖励那节：SPR 把失败份额压下去的同时，奖励的离散度反而上升了——家族均分标准差从 0.34 涨到 0.47，轨迹级从 0.50 涨到 0.59。论文原话是「给失败奖励设上界，不等于降低离散度」。堵住左手漏水的同时右手溢出来了，这个取舍帖子没提。【直引】
第二条在续训那节，是全篇最锋利的证据：RPR-1 停在第 20 步之后继续训到 35 步，TB-4.0 从 16.67% 跌到 11.11%，同一时期 TB-2.1 却涨到 78.95%。奖励曲线在一半考场向上、一半考场向下——「盯奖励曲线」这个操作本身就是错的，跨套件的严格成功监控才是唯一可靠的锚。帖子说了前半句，没放这组对照。【直引】
还有个小数点级别的修正：批评家的体检报告，RPR-1 是「0.03 起步、峰顶 0.33、收在 0.27，中途还掉到过 -0.04」，不是一路上升；帖子写的「峰顶 0.33」对，略掉的那个负值恰是「传承误差会流进优势估计」的活证据。【直引】
三块暗礁里，我最喜欢「时间膨胀」这个观察：终端智能体的 token 时钟和环境时钟不同步，一条 shell 命令几百个 token，环境回灌的日志几千个观察 token——标准 GAE 按文本长度衰减信用，等于按字数给马拉松选手计分，日志越啰嗦，远处决策的功劳被磨得越干净。帖子把它讲成了故事，但值得说清这是论文的正式概念。第三块暗礁「价值漂移」问得更刁：RSR 重写了 actor，critic 面对的历史分布全变了，你是把攒了半辈子经验的老批评家重置清零，还是让他带着系统误差上岗、让误差流进优势估计？两条路都出血，这篇选了传承，那 -0.04 就是账。【直引】
这帖子真正该被记住的，是结尾那句：整条流水线里唯一不许自我改进的，是监考老师。48 条「全对但倒终检」的轨迹曾经分走一半奖金，现在它们被 SPR 清零了名额——把二元验收钉在闭环中心，不是残忍，是这门生意能做的前提。一个只会说「零分」的验证器，比任何会写手册的智能体都更难收买。【推论】
下一根钉子：Extreme 档走出 10.98 到 6.10 再回 10.98 的 V 形——闭环对「极难」任务可能失速。论文在局限里自己把边界划了：「一个 27B 骨干上的五个阶段，既立不起缩放定律，也证不了普遍单调」——这话比任何分数都诚实。难和极难之间的墙是什么，论文没说。