把结局信息从目标截断、长度偏置与成功断言里剥出来：Agentic OPD 评分器修复的四因子解耦账本

背景与动机

Agentic on-policy distillation（OPD）让学生在自己采的轨迹上行动，由更强的教师对每一个 token 打分，教师从不进入回路。整条训练信号就是教师对学生自身历史的下一个 token 分布。这个设定近两年被写进多教师后训练流水线，也催生了一批针对「长程漂移」的修补方法：缩短 episode、把部分回合交给教师、回放教师前缀、在两者分歧处插入教师桥接。这些方法的共同点是改学生侧或改轨迹侧，打分器原封不动。

R2S（arXiv:2610.28586，v1 2026-10-20）换了方向。它先给「教师接管仍能完成、学生却被自己的分数放行」这一现象取证：从未经训练学生与教师分歧最大的回合（第 5 回合起）接管，K=8 次，ALFWorld 上接管成功率 44.2% 高于学生自己的 39.9%，WebShop 10.2% 高于 6.1%，ScienceWorld 27.5% 高于 18.6%。学生并没有漂出教师的能力范围，问题出在逐 token 打分看不见结局，于是把「安全但拖延」的动作放过去了。修复办法是从这些状态跑接管，用一条通过奖励无关检查的接管作特权上下文，让冻结的教师重打一遍学生后续每个 token 的分数，把这些 informed 分数当目标微调教师副本，最后把副本冻结成唯一的 scorer。三个环境、两个教师、四个学生共十二个 cell 全部超过三个强基线，9B 教师那组平均 +17.0 点。

需要分清两个平均增益：摘要的 +17.0 是相对每格最强基线的增益，正文 §5.2 给的 +17.8 才是对 vanilla OPD 的增益（30B-A3B 教师对应 +8.5 与 +9.8）。本提案下文牵涉自蒸馏对比时一律用后者口径。

问题不在结论，在于这一次「修复」里打包了四个变化，只有其中一个被写成机制。

第一个裂口是目标分布被截断。 附录 C 写明：目标 $q^+$ 在每个位置只保留教师概率最高的 16 个 token 再 renormalize，损失函数是它与 $T_\phi$ 全词表 log-softmax 的交叉熵。对照臂 vanilla OPD 用的却是未截断的全词表 $T_0$。支撑集从词表大小压到 16，目标熵随之骤降，$T_\phi$ 被训成一个明显更尖锐的分布。全文中没有任何一臂把「截断」单独关掉。

这里要预先挡掉一个可能的反驳。论文表 5 确实有「Takeovers × Informed targets」的组件消融（ALFWorld：$65.8 \to 76.8 \to 81.9$，WebShop：$34.6 \to 46.7 \to 55.9$，ScienceWorld：$34.6 \to 41.0 \to 47.8$），但它的三行是 vanilla OPD、label-SFT 与 R2S：所谓 informed targets 指的是软目标 $q^+$ 与硬 token 标签之别，不是 top-16 与全词表之别。截断这一因子仍然没有任何一臂单独关掉过。

第二个裂口是参考轨迹取「最短通过者」。 每个状态跑 8 条独立接管，筛出通过者后取其中最短的一条。对 K 个样本取最小值是标准的长度偏置：即便 8 条同分布，最短者也会系统性地短于典型样本。而 R2S 最漂亮的下游证据恰恰是长度类读数——表 8 显示学生搜索回合从 15.9 降到 11.4（ALFWorld）、7.8 降到 4.1（WebShop）、10.9 降到 8.2（ScienceWorld），总回合数同步下降，表 7 的耗尽回合率几乎减半。论文把「随机通过」与「最长通过」两臂都留空了。

第三个裂口是成功以言语断言的形式进入上下文，而不是以内容的形式。 附录 C 逐字交代：接管消息被插在学生第一回合之前，标题是 “Reference walkthrough”，且「the header presents it as a successful expert completion of the same task」。也就是说模型被告知这段是专家的成功解。缺两臂：内容不变、断言翻转为「一次失败尝试」；以及断言不变、步序打乱的伪轨迹。没有这两臂，就无法区分「教师读出了结局」与「教师被提示这是专家解」。

第四个裂口是筛选与标签同源，且接受率从未刊出。 状态保留与否取决于这 8 条接管自己的结局。附录 C 给出阈值：ALFWorld 用 m=2，ScienceWorld 用 m=1，WebShop 用 LLM judge（Qwen3.5-9B，开推理）。把表 11 的每条接管成功率当 Bernoulli 参数代入，m=1 的 ScienceWorld 接受率 $1-(1-p)^8$ 落在 95%–98%，m=2 的 ALFWorld 也有 91%–99%。名为 consensus 的筛选近乎全盘接受，同时被选中的那条又是从通过者里取最短。 winner’s curse 与长度偏置叠加在同一条参考上。

附录 C 的逐字规则比「筛出通过者取最短」更细一层：consensus 按结局分组，保留最大组不少于 $m$ 条的状态；WebShop 的 judge 逐笔核对购买物与指令，通过者再按所购商品分组；最后选的是最大组中最短的那条，不是全体通过者中最短的那条。这个差别对长度偏置的方向没影响（仍是最小值统计量），但它让「最大组」本身成为一个额外的、随 $p$ 漂移的选择层。代入用的表 11 接管成功率（K=8）为：ALFWorld 54.6 / 56.7 / 41.8 / 42.2，ScienceWorld 31.2 / 35.6 / 36.6 / 38.8（按 9B→2B、9B→4B、30B→4B、30B→8B 排列）。据此 ScienceWorld（m=1）接受率逐格为 95.0% / 97.0% / 97.4% / 98.0%，ALFWorld（m=2，$P(\mathrm{Bin}(8,p)\ge 2)$）为 98.1% / 98.6% / 91.1% / 91.5%。顺带一提，表 11 里 30B→8B 的 ALFWorld 是学生 45.5 反超接管 42.2，这也是全文「十二个 cell 中十一个」这句话的例外所在。

测量侧还有三条硬缺口。

drop 证据只在幸存子集上算。 表 10 的 Scored 列（至少一条接管完成的状态）为 ALFWorld 458、WebShop 107、ScienceWorld 403，对应 Turn≥5 的 814、689、682。WebShop 只有 15.5%。没有任何完成接管的状态被结构性排除在「informed 分数是否下行」的统计之外。

drop 对拖延并不特异。 这五个数字分属两张表，需要分开念。表 1 的 drop 列（ALFWorld）为 hedging 8.2%、searching 6.2%、other 3.5%；表 10 的 drop 列才是 committing 6.1% 与 action 0.1%，两表同一口径（表 10 表头注明 drop 定义同表 1），所以可以横着比。比下来：搜索词 6.2% 与「take / put / use / buy / now / done」这类决断词 6.1% 的降幅几乎相同，动作 token 基本不动（0.1%）。更简约的解释是：任何专家示范进了上下文，学生自己写的整段思考都变得更不可预测，而不是教师专门压低了拖延。

方向特异性上，原稿写的 $\sigma_{\rm spec}=2.1$ 个百分点应先落回可复算的量：表 1 里 hedging 与 searching 之差只有 $8.2-6.2=2.0$ 个百分点；表 10 另给了一个更直接的特异性读数——各类相对「其余思考」的平均对数概率变化，ALFWorld 为 hedging 2.4（95% 区间 2.1–2.8）、searching 1.8（1.4–2.2），两者相差 0.6 个百分点且区间在 2.1–2.2 处几乎相接。也就是说拖延类词确实比搜索类词掉得更多一点，但这个「更多」的量级远小于它相对其余思考的整体降幅，仍不足以支撑「教师专门压低拖延」的读法。四因子设计里 $c$（真/伪接管）这一因子正是为分离它而设。

十二个 cell 的说法没有训练种子支撑。 每个 cell 是一次 150 步训练，表内 ±std 是最终 checkpoint 的三次解码，不是三次训练（附录 D 逐字：mean ± std over the three decodes of the final checkpoint，即训练中评估加两次重载解码）。图 3 那对（9B→4B）跑了三个训练 runs，其余十一个 cell 的训练方差从未出现。

有一处例外要记下来，否则这条批评会被过度延伸：表 8 的回合数读数是「最后十次训练更新内、三次训练 runs 的均值 ± 标准差」，图 3 同样是三次训练 runs。也就是说本提案在第二条裂口里引用的长度类证据（15.9→11.4 等）恰恰是全篇唯一带训练方差的下游读数；真正缺种子的是表 2 的十二格成功率。同理，图 3 的三条 R2S 曲线共享同一个被修复教师，其带宽只反映学生训练方差，不含修复侧方差。

预算侧同样不对称。限制小节自己承认：蒸馏之前 R2S 花掉未训练学生的 episode、N×K = 19,200 条接管 episode、一次筛选、一次教师全参微调（1 epoch，lr 2×10⁻⁶，批 8 个状态）。基线拿不到这份预算，文中也没有把这份开销折算成训练步数的等预算臂。

最刺眼的一格是自蒸馏。表 3 里 Qwen3.5-4B 自教自，接管、筛选、打分全由 4B 自己跑，没有更大的模型进入流水线，增益却是 +22.8 / +24.8 / +14.2，反而高于 9B 教师那格的 +16.1 / +21.3 / +13.2。若增益来自教师的结局知识，这一格应当最小。

奖励自由的代价也没有入账。表 4 中 ground truth 在 ALFWorld 上 85.9 高于 consensus 81.9 与 judge 82.6，在 WebShop 上 65.0 高于 63.1 与 55.9，比 LLM judge 高出 9.1 点。正文的表述是「既不依赖读取奖励，也不依赖某一条规则」，把这个差留在了正文之外。附带一提，主表 ScienceWorld 用的是 m=1，而表 4 里被当作规则稳健性证据的 consensus 行用的是 m=2（39.5），主表的 47.8 高出 8.3 点。

核心思路

本提案不提出第五种修法，而是把「修复」从一个二值开关升级成四因子可控的干预空间，配一本六栏账本：任何声称把 rollout 的结局信息注入 scorer 的方法，都必须先分离出结局信息份额 $\alpha_{\rm out}$，才能把下游增益归给结局。

四因子定义如下。$c$ 是特权上下文的内容，取真接管或伪接管（步序置换加动作槽替换，保留长度与 unigram 分布）；$a$ 是标题的断言档位，取成功、失败、中性；$k$ 是目标分布的支撑集，取 16 或全词表；$s$ 是参考选择规则，取最短、随机、最长。记 $S(c,a,k,s)$ 为学生成功率，$S_{\rm base}$ 为 vanilla OPD，原版即 $S_{\rm R2S}=S(\text{真},\text{成功},16,\text{最短})$。四个份额定义为

$\alpha_{\rm trunc}=\frac{S_{\rm R2S}-S(\text{真},\text{成功},\text{全词表},\text{最短})}{S_{\rm R2S}-S_{\rm base}},\quad \alpha_{\rm len}=\frac{S_{\rm R2S}-S(\text{真},\text{成功},16,\text{最长})}{S_{\rm R2S}-S_{\rm base}},$

$\alpha_{\rm assert}=\frac{S_{\rm R2S}-S(\text{真},\text{失败},16,\text{最短})}{S_{\rm R2S}-S_{\rm base}},\quad \alpha_{\rm out}=\frac{S(\text{真},\text{成功},\text{全词表},\text{随机})-S_{\rm base}}{S_{\rm R2S}-S_{\rm base}}.$

四者加伪轨迹臂的残差应当落在 $[0,1]$ 且近似可加。$\alpha_{\rm out}\le 0.5$ 即结局信息不是主因，论文的机制叙事需要在目标构造或参考选择层面重写。

与现有工作的区别在这一层。TCOD-F2B 排 episode 深度课程，Guided-OPD 分配教师控制的回合，FutureBridge 在分歧处验证教师桥接，三者都保留原 scorer；R2S 第一次改 scorer 本身，但它是一次性改的，四个变化捆在一趟微调里。SRDL 要求把这一趟拆开，并把拆开的读数变成方法发布时的必刊项，而不是留给读者反推。

六栏账本各自有可查的数。目标构造账记支撑集 $k$、$\mathrm{H}(q^+)$ 与 $\mathrm{H}(T_0)$ 之差 $\Delta\mathrm{H}$、修复后 $\mathrm{H}(T_\phi)$、训练期学生采样熵的轨迹。接管与选择账记每条接管成功率 $p$、$K$、$m$、接受率 $a_{\rm acc}=P(\mathrm{Bin}(K,p)\ge m)$、被选参考在同状态通过者中的长度分位 $q_{\rm len}$。断言账记三档标题乘两档内容共六臂，报 $\sigma_{\rm spec}$ 与两档内容下的差。子集账记 Scored / Turn≥5 / All 三层状态数与 token 数，并要求在无完成接管的状态上单列 plain 与 informed 的差。预算账记修复侧环境交互数、教师微调 GPU 时、学生步数与折算出的等预算步数 $t_{\rm eq}$。种子与裁判账记每 cell 训练种子数、解码方差与种子方差的分解、judge 与被修教师是否同一 checkpoint，以及两个退化裁判（永远批准、永远拒绝）的接受率。

技术路线

阶段一做复现与插桩。在 Qwen3.5-9B → Qwen3.5-4B 的 ALFWorld、WebShop、ScienceWorld 三个 cell 上复现 R2S 与 vanilla OPD，把四个开关插进特权上下文构造、目标构造、参考选择三处，产出目标构造账、接管选择账、子集账的原始计数。门限是复现的 R2S 与 vanilla 差不低于论文值的 70%，且 Scored 子集计数与表 10 对齐（458 / 107 / 403）。

阶段二跑四因子网格。主设计拆成两块，先把 $k$ 与 $s$ 的 2×3 = 6 臂跑满 3 个训练种子，再把 $c$ 与 $a$ 的 2×3 = 6 臂跑满 3 个种子，共 36 次 150 步训练；交互项只在 ALFWorld 上抽 8 臂做校验。主终点是成功率与耗尽回合率，副终点是搜索回合数、学生采样熵、目标 KL。门限是 $\alpha_{\rm out}$ 的 bootstrap 区间宽度不超过 0.3。

阶段三重做机制读数。把表 1 的 drop 类证据改成 2（内容真/伪）× 3（标题档）× 2（有无完成接管）的分层统计，报 $\sigma_{\rm spec}$ 与方向一致性。判据是：若伪接管臂的 drop 与真接管臂落在彼此的 95% 区间内，「只有完成接管才能让分数转向」这一句不成立。

阶段四补等预算与时效。等预算臂把 19,200 条接管 episode 与教师微调的墙钟折算成训练步数 $t_{\rm eq}$，补给三个基线；时效臂在第 75 步重新挖掘一次状态，测训练后期状态到最近 mined 状态的覆盖率 $\rho_{\rm stale}$，报迭代修复的增量。

五处技术难点需要提前设计。伪接管要在保留 token 分布的前提下破坏结局内容，否则 $c$ 与 $k$ 混淆，构造办法是步序置换加动作槽替换，并检验长度分布与 unigram 分布的匹配度。全词表目标下 $T_\phi$ 会向 $T_0$ 塌缩，需要等修复幅度对照：定义 $\rho=\mathbb{E}_s\|\log T_\phi-\log T_0\|_1$，要求各臂 $\rho$ 匹配到 ±10%，否则「没有增益」只是「没修动」。三档标题的语用强度不对称，失败断言有被忽略的风险，补一个中性档做参照，并用参考消息首步动作在 $T_\phi$ 首动作分布上的权重当作「标题被遵守」的行为读数。等预算折算要把环境交互与 GPU 时换成墙钟这一统一货币。插桩必须挂在 scorer 接口而不是 R2S 代码里，这样账本才能直接套到 FutureBridge、Multi-Rollout OPD 这类同样使用特权上下文加筛选的方法上。

预期成果

定量目标是给出 $\alpha_{\rm trunc}$、$\alpha_{\rm len}$、$\alpha_{\rm assert}$、$\alpha_{\rm out}$ 四个份额的点估计与 95% 区间，并检验三条可证伪预测。截断份额 $\alpha_{\rm trunc}$ 的预测值不低于 0.5，即把 top-16 换成全词表后增益至少掉一半。伪接管臂与原版的差应落在训练种子噪声带内（±3 点）。参考从最短换成最长之后，搜索回合差应缩小不少于 50%。三条里成立两条，就足以要求这类方法在发布时把目标构造与参考选择写成显式超参。

定性产出是一份「评分器修复类方法」的披露清单，含八个必刊项：目标支撑集 $k$ 与 $\Delta\mathrm{H}$、接管数 $K$ 与阈值 $m$、接受率 $a_{\rm acc}$、被选参考的长度分位 $q_{\rm len}$、特权消息的成功断言原文、drop 类统计的三层分母、训练种子数与方差分解、修复侧与训练侧的双边预算。插桩工具挂在 scorer 接口上，可在不改方法代码的前提下产出其中四项。

若三条预测成立，影响落在方向的排序上：agentic OPD 的下一轮改进应当先做目标分布的支撑集与参考轨迹的抽样规则，而不是更复杂的接管筛选。当前把增益整体归给「结局信息」的写法会让社区沿着接管侧继续加码，而四条伴随干预一个都还没被关掉过。

相关工作

审计对象是 R2S 本身，arXiv:2610.28586，《Capable Teacher, Myopic Scorer: Reward-Free Teacher Repair for Agentic On-Policy Distillation》，2026-10-20。它第一次提出 rollout–scorer gap 并给出奖励无关的修复流程，也是本提案四个因子与六栏账本的来源。

训练口径上最接近的对照是 FutureBridge，arXiv:2608.01953，《Look Ahead Before You Distill: Future Trajectory Validation of Teacher Guidance for Agentic On-Policy Distillation》，2026-08-03。它同样从高分歧状态续接并验证教师桥接，但学生侧保留原 scorer，本提案的等预算臂与伪接管臂都需要以它为参照重跑一遍。

特权上下文的非内容效应在 arXiv:2607.05184《Rethinking On-Policy Self-Distillation for Thinking Models》（2026-07-06）里有直接证据：特权上下文会抑制自纠正、损害思考型模型。本提案的断言因子 $a$ 即把这条观察变成可控开关。

标签无关的共识选择来自 CANON，arXiv:2607.13643，《Consensus as Privileged Context for Label-Free Self-Distillation》，2026-07-15。R2S 的 consensus 筛选沿用这条思路，本提案据此把 $m$ 与 $K$ 写进接管选择账并要求刊出接受率。

同辈轨迹作为上下文的先例是 Multi-Rollout OPD，arXiv:2605.12652，《Multi-Rollout On-Policy Distillation via Peer Successes and Failures》，2026-05-12。它把同伴的成功与失败一起标进教师上下文，本提案的失败断言档与之呼应，差别在于把「失败」从内容层移到断言层。

引用核验记录

核验日期 2026-10-21。一手源为 arXiv abs 页的 citation_title / citation_date 元数据，数值回源为 arxiv.org/html/2610.28586v1（先取 <math alttext> 再剥标签）。

引用对象	核验项	结果
arXiv:2610.28586	abs 页标题《Capable Teacher, Myopic Scorer: Reward-Free Teacher Repair for Agentic On-Policy Distillation》，日期 2026/10/20	✅ 与正文一致
R2S 接管取证（表 1）	ALFWorld 39.9 / 44.2，WebShop 6.1 / 10.2，ScienceWorld 18.6 / 27.5	✅ 逐格命中
R2S 主表（表 2）	9B 那组 R2S 为 77.9 / 81.9 / 57.9 / 55.9 / 37.9 / 47.8；十二格均高于 TCOD-F2B、Guided-OPD、FutureBridge	✅ 逐格验算成立
9B 教师平均增益	摘要「over the best of them」+17.0；正文 §5.2「over vanilla OPD」+17.8	✅ 两个口径并存，已在正文分开
自蒸馏（表 3）	4B 自教自 R2S 72.7 / 58.1 / 42.4，vanilla 49.9 / 33.3 / 28.2	✅ 差值 22.8 / 24.8 / 14.2 复算一致
选择规则消融（表 4）	ground truth 85.9 / 65.0 / 49.0，consensus 81.9 / 63.1 / 39.5，judge 82.6 / 55.9 / 50.3	✅ 逐格命中
组件消融（表 5）	三行为 vanilla OPD / label-SFT / R2S	✅ 存在，但不隔离截断（见正文补注）
子集计数（表 10）	Scored 458 / 107 / 403；Turn≥5 814 / 689 / 682；Lost 489 / 647 / 555	✅ 逐格命中，107/689 = 15.5%
drop 分表	hedging / searching / other 属表 1；committing / action 属表 10	⚠️ 原稿合并为「表 10」，已订正
附录 C 特权消息	标题逐字为 “Reference walkthrough”，且 “the header presents it as a successful expert completion of the same task”	✅ 逐字命中
附录 C 训练超参	1 epoch、lr $2\times10^{-6}$、batch 8 states、bf16、10% goal-disjoint 留出	✅ 逐项命中
预算（Limitations）	$N\times K = 19{,}200$ takeover episodes	✅ 命中
表 11 接受率复算	ScienceWorld m=1 为 95.0–98.0%；ALFWorld m=2 为 91.1–98.6%	✅ 与正文区间一致
种子口径	表 2 为三次解码；表 8 与图 3 为三次训练 runs	⚠️ 原稿未区分，已补注

本轮订正与边界

订正

1. 原稿称「表 10 的 drop 列」含 hedging / searching / other 三类，实为表 1；表 10 只刊 committing 与 action。五个数都是真的，但分属两表，已按原文分表重述。
2. 原稿的 $\sigma_{\rm spec}=2.1$ 个百分点改为可复算的两个量：表 1 的 hedging 与 searching 之差为 2.0 个百分点；表 10 相对「其余思考」的读数为 2.4（2.1–2.8）对 1.8（1.4–2.2），差 0.6 个百分点。
3. +17.0 与 +17.8 的口径已区分，避免与后文自蒸馏对比（同为对 vanilla 口径）混用。

边界

• 表 11 只刊 9B→2B、9B→4B、30B→4B、30B→8B 四对的接管成功率，WebShop 用 judge 且按所购商品分组，其接受率无法用 Bernoulli 公式直接代入，本轮未估。
• 表 4 的 consensus 行「votes with m=2 everywhere」是原文逐字规则，因此 ScienceWorld 的 39.5 与主表 47.8 不构成同口径对照，8.3 点的差含阈值差与规则差两层，本轮未拆分。
• 表 12 / 表 13 的 seen / unseen 与 256-goal pool 分层未逐格回源；论文称 R2S 在全部 24 个 split 的均值上均超过基线。
• 阶段二要求的 36 次 150 步训练在本轮未执行，$\alpha$ 的四个份额目前仍是无点估计的设计。

终审核验记录（2026-10-21）

终审独立于编辑轮复算：全部数字回 arxiv.org/html/2610.28586v1，先取 <math alttext> 再按 <tr>/<td> 结构化解析表格；五个相关工作编号全部回 abs 页比对 citation_title / citation_date；编辑轮的三处订正逐条复核。

终审项	结果
编辑订正 1（drop 分表）	✅ 表 1 确为 hedging 8.2 / searching 6.2 / other 3.5（ALFWorld），表 10 才是 committing 6.1 与 action 0.1；两表分列成立
编辑订正 2（$\sigma_{\rm spec}$ 改为可复算口径）	✅ 表 1 两列之差为 2.0 个百分点；表 10「相对其余思考」为 hedging 2.4（2.1–2.8）对 searching 1.8（1.4–2.2），差 0.6 个百分点，区间在 2.1–2.2 相接
编辑订正 3（+17.0 与 +17.8 分口径）	✅ 摘要 “gain over the best of them … averages +17.0 points”（9B）/ +8.5（30B-A3B）；正文 §5.2 “over vanilla OPD averages +17.8”（9B）/ +9.8（30B-A3B）。按表 2 复算：对最强基线均值 17.02、对 vanilla 均值 17.82，两个口径各自闭合
表 11 接受率复算（m=1 / m=2）	✅ ScienceWorld 95.0 / 97.0 / 97.4 / 98.0%；ALFWorld 98.1 / 98.6 / 91.1 / 91.5%，与正文区间逐格一致
「十二个 cell 中十一个」及其例外	✅ 原文 “finish more often than the student does in eleven of the twelve cells (Table 11)“，例外为「Qwen3-8B 学生 + ALFWorld」，与表 11 的 45.5 对 42.2 对应
自蒸馏（表 3）	✅ R2S 72.7 / 58.1 / 42.4 对 vanilla 49.9 / 33.3 / 28.2，差 22.8 / 24.8 / 14.2；9B→4B 为 81.9 / 55.9 / 47.8 对 65.8 / 34.6 / 34.6，差 16.1 / 21.3 / 13.2，自蒸馏更高的论断成立
表 4 与表 5	✅ ground truth 85.9 / 65.0 / 49.0，consensus 81.9 / 63.1 / 39.5，judge 82.6 / 55.9 / 50.3；表 5 三行为 vanilla OPD / label-SFT / R2S（65.8→76.8→81.9 等），确不隔离截断
子集计数（表 10）	✅ Scored 458 / 107 / 403，Turn≥5 814 / 689 / 682，Lost 489 / 647 / 555；107/689 = 15.5%
附录 C 原文	✅ “Reference walkthrough” 标题、“presents it as a successful expert completion”、top-16 renormalize、m=2（ALFWorld）/ m=1（ScienceWorld）、WebShop judge 为 Qwen3.5-9B 开推理且按所购商品分组、「最大组中最短」
预算 $N\times K=19{,}200$	✅ Limitations 原文逐字；另核 $N=2{,}400 \times K=8$ 自洽
种子口径	✅ 表 2 为「三次解码」，表 8 与图 3 为「三次训练 runs」，正文已区分
五个相关工作编号	✅ 2608.01953 / 2607.05184 / 2607.13643 / 2605.12652 的 citation_title 与 citation_date 全部逐字一致（08-03 / 07-06 / 07-15 / 05-12）

终审追加的一条判据（供下轮复用）：本提案三处订正都不是数字错误，而是归属／口径错误（分表归属、可复算口径、增益基准）。这类错的共同形态是「每个数都在论文里找得到，但它们不属于同一个分母」。凡稿件出现「论文给出了 X」+ 一个自己算出来的差，优先检查 X 与这个差是否同表、同口径、同基准。