装修队交活时,监理手里的验收表全打了勾,住进来的人却抱怨插座都在床背后。这篇论文干的事,是把住户的抱怨也写进验收表。
编号 2511.13006 对应的是一篇无线通感一体论文。真身 2611.24924,14 位作者,以复旦为主。
先把口径摆清:38 个 Harbor-index 留出任务,pass@1 从 21.9% 升到 33.3%。token 从每任务 2.40M 降到 1.42M,少 40.8%,这个数不含用户模拟的开销。人类盲测 48 个有效对里 31 个偏好新版、10 个平局、7 个偏好旧版,均分 5.39 到 6.01,用的是 1 到 7 分量表。论文没有报告任何 p 值,所以那 31 比 7 有多硬,得自己留个问号。迁移到 GLM-5.3 和 DeepSeek-V4.1-Flash 的 +15.8 和 +5.3,是百分点,而且进化本身是在 GLM-5.3-Flash 上做的。
最值得看的是 §4.3:137 个通过验证器的会话里,有 34 个根本没交付完整回复,用户评分却最低。这正好戳中论文开篇对同行的批评——只靠基准分数选改动,会选出窄补丁和局部最优。作者自己反复强调整个流程没有任何一步查基准分数,把分数留到进化结束后再评。
下一根钉子:验收表加一栏「住户真收到了吗」,那 34 个还过得了吗。