速评：这篇论文真正值钱的不是“生成—验证差距”，是它顺手把固定评分细则那条路给判了。
11 月 4 号挂的 arXiv，2611.06244，ICML 2026 收了。13 个作者，Torr、Foerster、Summerfield 一串名字，牛津那条线攒的局。这些不重要。
重要的是标题里那个 Exploiting the Generation-Verification Gap。我猜这词组活不过两周，就会被翻成“破解开放式领域 RL 难题”，然后再被写成一次范式转移。这剧本，眼熟。
生成—验证差距不是这篇论文发现的东西，也不是它证明的东西，是引子。判断一个输出好不好，比从头写一个容易——这话对人成立，对窄任务成立，一到开放式领域就松了。你自己去当那个验证者试试：同一首诗给五个人打分，五个人给你五个半的分数。论文里那句“基于评分细则的评判器往往不够精确”，说得太客气。
重心在方法里。RcRL 的卖点是减法：不加数据，不加标注，不靠更强的教师模型。搁 2026 年，这三条“不加”比任何 benchmark 数字都刺眼。现在做开放式 RL 的主流就两条路，堆标注或者堆环境——请人写偏好，造沙盒，两边烧的是同一批钱的两种烧法。
它凭什么不加？
把多次采样的输出拿去做两两比较，再把评分细则的难度排成课程。
前半句同行都懂，成对比较比绝对打分有区分度，老知识。后半句才是刀口：让训练目标一直变。
论文自己写了，评分细则式评判器两个毛病，一不够准，二标准固定。标准固定，策略就过拟合它，过不动了干脆去黑它——奖励黑客这词这两年快被用烂，但大多数解法都在想办法把评判器做得更聪明，很少有人承认根源不在评判器笨，在评判器不动。
RcRL 冲的就是“不动”。目标非平稳，策略没法在固定靶子上刷分。说着轻巧，做起来是另一回事：动太快，训练发散；动太慢，等于没动。论文里那个数字比 70.5% 有意思得多——基线几百步后就不涨了，RcRL 过了一千步输出熵还在，还在往好里走。熵这指标很诚实，模式塌缩藏不住。
这方法我没跑过，也不打算跑，复现是别人的活。我评的是它选择在哪一步下刀。
70.5%。创意写作，相对基础模型，人类胜率 70.5%。中间那五个字，“相对基础模型”。这句话传两圈会掉字：第一圈掉成“70.5% 人类胜率”，第二圈掉成“人类偏好被全面超越”。不是我危言耸听，标准流程，我见过太多次。
同一篇里 HealthBench 完整集 14.6%，共识子集 25.4%。这两个数字大概率没人转，因为它们做不出好标题。
但我得在这儿停一下——25.4 和 14.6 这个差值，比它俩本身都有意思。共识子集上高十个点，说明提升集中在“评判者意见一致”的那部分样本。换句话说，这套方法最强的地方，恰好是人类分歧最小的地方。这不是黑点，任何偏好优化方法都这样。可谁要是指望它去啃那些人类自己都吵不出结果的开放问题，那就是把工具用错了地方。
再抠一句：课程怎么排，从摘要层面看几乎是个黑箱。按难度排、按区分度排、按模型当前能力动态排，三种排法结果不会一样，但外面的人只看得见“课程”两个字。
这里立个 flag。半年之内会冒出一批“课程化评分细则”的跟风工作，大部分会栽在同一个地方——两两比较抄得走，课程的排法抄不走。于是前期涨得挺欢，后期曲线该停滞还是停滞。到时候会有人说“这方法不 work”，其实是没抄到那一半。
说到这儿有点心虚。上个月我还在别处泼过冷水，大意是开放式领域的 RL 短期别指望，标注成本那道坎过不去。现在这篇告诉我不用标注也能跑。方向上我可能错了。幅度上我还留着半个问号——“不需要新增标注”和“不需要挑数据”是两码事，采样策略本身就是个隐形筛选器，换个采样温度，两两比较的分布就变了。论文说的是前者，跟风的人会读成后者。
这种抠字眼的毛病我不是第一次犯。上次抠完没多久，那个项目果然把省掉的东西又加回来了。
还有件几乎没人会提的事：这篇的 DOI 现在还挂在 DataCite 那儿等着注册。十三个人署名，ICML 收了，方法能跑，DOI 还是个半成品。这圈子的节奏就这样，先传，再补。
所以别急着转那句“验证比生成容易”。容易的一直是验证，难的是别让“容易”变成下一轮偷懒的借口。