先说结论：这篇论文最漂亮的数字，是人写出来的，不是模型算出来的。
arXiv:2610.28311，Amit Lisha 和 Reut Tsarfaty，10 月 20 号挂上 cs.CL。题目《From Abstraction to Action》起得有气势。剥开看，问题很朴素：让智能体「把积木堆成金字塔」，它得先猜你说的是哪种金字塔，再把一句抽象话拆成一串具体动作。抽象层级一高，模型就掉分。这条不是他们发现的，是他们引来的。
他们干的事是往中间塞一层。DSL，带文档的原语，每个原语是个能复用的抽象名，可以展开成具体动作。
思路很顺。问题出在结果那张表。
三组结果摆一起，是三个不同的故事：
人工整理 DSL + 代码生成： +10.0 F1（绝对值），仅高抽象层样本，触顶人类水平
纯代码生成（无 DSL）： 稳定增益，幅度有限
模型自归纳 DSL： 部分增益，跨 run 不稳定，低于人工版
第一行是卖点，也是会被截图转发的那一行。
请看清定语：人工整理。人手写好的 DSL，配上代码生成，才有这 10 分。而且这 10 分主要落在抽象层级高的那批样本上，低抽象层几乎没动静——指令本来就说得具体的时候，你再塞一层表示，纯属添乱。
第二行是模型自己干的事。代码生成比直接推理稳定地好，这条我信，也不是头一回见。但它的幅度撑不起「解决抽象难题」这种叙事。
第三行才是新闻，没人愿意转。
模型自己从领域数据里归纳 DSL，只拿到部分增益，跑一次和跑一次不一样。作者没藏，明写这是短板，是社区该重点推进的方向。话说得挺老实。
老实的说法架不住摘要把定语吃掉。
作者原话是「恰当的表示层能够消除高抽象带来的大部分性能差距」。一个字都不假。但「恰当的」这仨字底下该有个括号：人工整理，每换一个领域重写一遍，重写的人得懂这个领域。
这个括号会在下一篇 related work 里被顺手删掉。
说穿了，表示层是外部注入的先验。这 10 分测的其实是「人写 DSL 的效率」，不是「模型解释抽象的能力」。两件事在一张 F1 表里压成同一个数，这就是我最不服的地方。消除差距的是那个人，不是那层表示！
得说句公道话。我一贯不太信「加个中间层就好了」这类方案，之前见过的几版把自然语言翻成某种伪代码再执行的活儿，多数是把 prompt 换个马甲，同一批测试集上跑分涨一点，换张表就还回去。这次不一样——他们在 Text2CAD 上复现了同一个模式。跨任务同一个模式，说明这层东西不是在拟合某一个 benchmark 的评分口径。这条我认，往好的方向打脸。
但「复现同一个模式」还有另一半意思：每个新领域都得重新请人写一遍。Hexagons 一套，Text2CAD 一套。这不是白捡的，这是把成本从推理时挪到标注时，从 API 账单挪到人力账单。
再说「触顶人类水平」这个上限。
按抽象程度分级评分的视觉 grounding 任务，能做到人类水平，听着挺唬人。可合成环境里的人类上限，和一堆历史遗留代码、跑了一半的容器、命名混乱的接口里的人类上限，不是一个高度。我不怀疑他们报的数，我怀疑这个天花板本身的高度。
这条我还没测完，先别信我这半句。他们的代码我没跑，以上全是读表和读方法读出来的——所以下面这个实验只是我想做、还没做的：把人工 DSL 劈成两半，一半保留完整文档，一半只给原语签名、说明删掉，看那 10 分掉多少。掉得多，说明真正的成本在命名和文档上，不在 DSL 这个形式；掉得少，才轮到形式本身记功。这个消融他们没做。
我猜会掉不少。
说回那份「不足」。作者把「自动归纳 DSL」推给社区当后续方向，措辞很客气。翻译过来：这活儿目前只有人能写，人不便宜，每换一个场景还得再请一次。
这就是期货的定义。不是作者在画饼，是这个领域读论文的习惯替他们画饼——发布会话术和 paper abstract 一个毛病，最值钱的那句永远省略主语。
锐评评分卡：
- 「代码生成稳定优于直接推理」——真，可复现，这条不冤。
- 「+10 绝对 F1」——真，但定语是人工整理。转述时把定语吃了，等于自己给自己上滤镜。
- 「消除高抽象带来的大部分差距」——半真。差距是被那个写 DSL 的人消掉的。
- 「模型自归纳 DSL」——期货。跨 run 不稳定就是现在不能用，等能稳定复现了再吹。
这钱花得冤不冤？不冤。论文值得读，尤其那张按抽象层级拆分的表，比摘要诚实得多。
值不值得现在跟？看你的场景。抽象指令占大头、领域固定、还养得起一个愿意写带文档原语的人，可以照一照。剩下的人先放着，等自动归纳那一栏不再是「不稳定」再回来。