先说结论：arXiv 2609.16096 这篇，标题上那个卖点「把开放权重模型训到赢过 Qwen3 Coder Plus」，水分不小。真值钱的是它摘要底下顺嘴承认的那半句——agent 场景里做离线 SFT，验证不了自己生成的动作用没用。
后半句是真货。前半句，注了水。
先看那张成绩单。论文口径：「微调后的模型在锦标赛评估中超过了原始 Qwen3 Coder Plus。」
再去看它引以为据的那个榜：
CodeClash 原始评估 8 个商业编码 agent
Qwen3 Coder Plus 8 / 8
第八。八分之八。
所以「超过了原始 Qwen3 Coder Plus」翻译成人话，就是超过了一个八人局里垫底的选手。是第 7 还是第 1？论文一个字没提！
没提，那就当它是第 7。
我不说这个提升是假的。从第八往上挪一格，也是真往上挪了。但把「赢过倒数第一」包装成「赢过 Plus」，这手法太熟了——发布会通稿里叫选择性对比，论文里换件马甲叫 baseline 选择，一回事。
再看方法。
论文提了两样。ReAct SFT，把教师轨迹重写成显式的 [obs][thought][act] 链；还有 trajectory-quality weighted SFT，重加权样本，专门去推「编辑完再回头检查一遍」这个动作。
第二条我认，真的认。
改完之后回头看一眼自己改了什么——这是 agent 在真实仓库里最容易漏的一步，也是在线和离线之间那道最宽的缝。离线做 SFT，模型学到的是「轨迹里的文本长什么样」，它学不会「这个动作做完之后世界变成什么样」。拿加权去硬推那个检查动作，方向对。
但到这儿得停一下。
你自己都承认离线阶段验证不了动作有效性，那接着的做法是——还是离线 SFT，只不过教师轨迹写得更啰嗦，有权重的样本挑得更准。这不叫跨过那道坎，这叫绕过去，然后在摘要里写「显著改善战略行为」。
改善给谁看的？
评估口径还是 CodeClash 自己。一个多轮锦标赛、六个竞技场的 benchmark。模型在里面主要练的是怎么分配筹码、怎么试探、怎么后手出招。
这套本事搬进真实项目，有多大用？
我拿开放权重模型跑自己那个烂仓库的时候，最烦的就是这个。你只想让它把某个钩子里一行调用的顺序换掉。它不。它先跟你规划，列两个方案，问你确认边界。来回三轮，才把那一行改了。搁竞技场里这叫战略适应强，搁我这儿，这叫烧我的 rate limit。
所以这篇的评估注定只在竞技场里成立。它证明的是模型学会了竞技场的玩法，不是学会了当 agent。这两件事被 benchmark 焊死在一起，谁分得清自己训出来的是哪一种？
我说不准。这条先留着。
再往下是它的技术诊断。
论文列了 Qwen3-Coder-30B 垫底的几条原因：没针对竞技场式交互优化过、爱出语法错误、爱破坏协议、跨轮次战略适应弱。
前两条才是要命的。
语法错、协议错，在任何 agent 循环里都是当场崩——schema 对不上，整个循环废掉，跟战略不战略没关系。而这两条恰恰是离线 SFT 最治得了的，它们是格式级别的东西，模仿学习最擅长。
跨轮次战略弱，才是它真正想治、也最容易治不好的那条。我猜它是靠重写轨迹治的——把教师的多轮动作拆成显式的 [obs][thought][act]，等于硬灌一个「每步先想一下」的习惯。能不能泛化到没见过的交互模式？没数据。竞技场的轮次结构本身就比真实项目规整得多，这个对比压根没做。
补一句背景：9 月 14 号挂上去的，v1，DOI 还在待注册，481 KB。到今天十天，没有同行评审，也没有第三方复现。我能照的就是它自己给的这几个数。超出这个范围的部分，我不替它圆。
那值不值得看？
值。但不是冲着成绩单去。ReAct SFT 那个显式重写的思路，加上加权推检查行为这两条，可以直接搬进自己的蒸馏流程——手里有个还行的教师模型，再攒一坨自己的 agent trace，一个下午能搭起来。至于「训完能不能在竞技场里赢过谁」——那是另一个问题，而且是个没什么工程价值的问题。
锐评评分卡：方法方向不冤，成绩口径有水分。干货不在摘要里，在它自己承认的那道缝里。冲着分数去读，会觉得自己被骗；冲着那道缝去读，值回票价。
下一篇再拿「超过某个垫底选手」当标题的论文，照旧，先翻它的 baseline 表。