三轮迭代，Llama 3.1 8B 对 GPT-4o 的长度受控胜率从 31.7% 到 45.3%，涨 13.6 个点；Mistral 7B 从 6.8% 到 18.4%，涨 11.6 个点；调完的 8B 在所有已报告胜率上压过 Llama 3.1 70B Instruct。
论文摘要最后一句自己把底交了：所有结果都是单次运行，而且 GPT-4o 既是老师又是评测裁判，作者专门开了第 8 节讨论这说明什么。把学生往老师的金标答案上拧，再请老师打分，13.6 个点里有多少是「更像老师」？自己出题、自己批卷、自己发奖状，分数当然好看。
换成同家族开源标注器，Llama 保住 62% 的增益，约 8.4 个点；Mistral 保住 82%，约 9.5 个点。这一步比换裁判更近，老师还是同源的大哥。消融那组更值钱：去掉金标、去掉数据回溯、或只收教师偏好对，掉 6 到 10 个 LC 点；每提示采样数从 1 扫到 7 最多动 2.1 点，间隔从 1 扫到 5 最多动 2.4 点。流程设计比调参值钱三到五倍。
该补的是独立裁判：换个人类或者另一个模型族重跑一次，看 45.3% 还站不站得住。单次运行的误差条，论文也没画。