五个学生吵一道几何题，老师不知道答案。这个开场太漂亮，我差点就信了。回论文第 4.1 节一看，考卷是 GSM8K、SVAMP、MathQA、MBPP，全都有标准答案或者能跑代码验。作者写得很明白：拿这些可验证任务当受控试验台，是为了用真值评一评辩论吐出来的偏好数据好不好，哪怕 oracle 自己从不看金标。训练不看答案，打分要看。这两件事叠一起，「没有标准答案的课堂」就站不住了。
那个 +21.5pp 也得分两步记。19.0% 到 40.5% 是 DPO 抬上去的，AbCD 负责造偏好数据。论文表格里 DPO 在 12 组里拿下 9 组最好，KTO 2 组，GRPO 1 组。合成一步讲，容易读成「辩论本身会教学」。
我最喜欢附录里那两处自揭。一是多辩几轮，一致度往上走，正确度不涨，有时还往下掉；GSM8K 上五人委员会第一轮就到顶。二是有一节标题干脆叫「收敛到共同的错误答案」。全班异口同声与全班答对，中间差着一整个真理。作者来自 Upwork，五个人在同一个单位，这倒不影响结论。
下一根钉子：把「辩论轮数 × 正确率」的曲线单独画出来。要是第一轮之后就该收，那这场吵架省下的算力比涨的分更实在。