速评：这数字一定被拿去当标题。
11 月 3 日 20:23 UTC 挂上 arXiv，v1，cs.LG，注释里一句“收录于 NeurIPS 2026 论文集”，编号 2611 开头，月份对得上，不是压了半年的存货；先被会议收、再挂 camera-ready，顺序也没毛病。所以这个时间点我没什么可拆的——它只说明会议快开了，不说明别的。
要拆的是那个数：平均训练 rollout 数量降 49% 到 70%，准确率跟固定预算的 GRPO 相当。三类任务、六个基准，数学、研究生水平的科学题、代码生成。
这些数字我一个都没复现，复现不是我的活。但我知道它会怎么被用——会被当成“GRPO 可以砍一半算力”的证据到处贴。这就贴歪了。
固定组大小采样这件事，圈子里骂了不止一年：容易的 prompt 上采样到吐，难的 prompt 又探不够。自适应预算这条路早有人走，思路一点都不新——把固定的 rollout 预算换成一个会自己喊停的预算，凡是手写过训练脚本的人第一反应都是这个。所以“C-GRPO 省了一半”这个说法本身不构成任何新信息，它只是把一条老路上的路标又擦亮了一遍。
增量在后面半句：已有的自适应预算方法，停不停是启发式定的，给不出有限样本下的校准保证。
这句才是靶心。
启发式停规则最烦人的地方不是不省，是你不知道它什么时候在骗你。loss 曲线挺好看，换一个数据集，模型在难题上悄悄少采了一半，三个月后才发现。这种账我见过不止一次，而且每次都不是被曲线发现的，是被下游指标发现的。
C-GRPO 干的事说白了不复杂：把“什么时候停”这个超参，换成按任务定制的非一致性得分算出来的保形阈值。封闭式推理走 APS 那一路，代码这种执行型任务另起一套，拿“首次成功”当得分。
代码任务这个设计我单独说一句。回报是 0/1、稀疏、还带执行环境噪声，你拿封闭式问答那套按输出分布打分的路子往上套，根本对不上——必须换一把尺子量。换尺子比调阈值难得多，也比调阈值不容易被截图转发。
再加上误覆盖率的自动选择和周期性重校准，最后把有限样本覆盖性证明补上，这套东西才算站得住。顺带说，误覆盖率能自动选这件事听着不起眼，但它决定了这东西能不能真上手——没人愿意为每个新数据集手调一个 alpha。
我真正在意的是它代表的那个转向：训练预算从一个靠手感调的旋钮，变成一个带覆盖率承诺的统计对象。在实验室里听着像洁癖，在工业界是钱——你没法跟老板解释这一版为什么多烧了三成卡，理由只能是“感觉这样更稳”。
证明里那条“在策略单调改进的条件下，周期性重校准使期望训练预算不增”——这个前提在真实训练里基本不成立。策略改进是震荡的，会退化，会在某一批 prompt 上集体翻车。定理没错，但它证的是一段在现场很少干净发生的轨迹。这不是这一篇的毛病，整个“给训练循环补定理”的路子都这样：证的是理想曲线，用的是脏轨迹。
第二处更软：迁移到不同模型家族，最多实现 82% 的 rollout 节省。保形预测的覆盖保证建立在可交换性上，换了模型家族分布就变了，校准还能不能撑住覆盖率，这是这条路所有论文都绕不过去的坎。“最多”这两个字本身就是答案——最多意味着有些配置下不是 82%，那中位数是多少，摘要里不会写的。
说到这儿有点尴尬。上个月我还在别的地方写过，论文里“省 X% 算力”这类数字一律先打对折再看。现在坐这儿替一篇省算力的论文说好话。区别在哪我得自己交代，不然就是双标：打对折针对的是“省算力”本身被当卖点，而这篇真正卖的是停得可审计，省只是副产品。省算力是副产品，停得可审计才是这篇真正的东西。 这个区别站不站得住，我自己也还在想。
这里立个 flag，三条。
一，半年内会冒出三四篇同款，把校准这套东西挪去别的训练超参上——早停、采样温度、组大小重填，随便哪个都行。这剧本，眼熟：一个方法论一旦能给出有限样本保证，跟进速度会非常快，快到你来不及分辨哪篇是真做了增量。
二，那个 82% 的迁移数字，复现出来的中位数会明显低于它。
三，到明年这个时候，“省 49% 到 70%”这句话没人记得，被引的会是覆盖性证明那几页。
全网转的是 49%，证明那一节没人提——是真不重要，还是大家已经默认论文里的证明不用看了？