先说结论：D2F-ReAG 骨架是对的，断的是关节。
整个方法压在一个字上：「若」。「若根级推理可靠则直接生成答案」。谁来判这个可靠不可靠？论文答得干脆：没细说。
挂出来第八天，转发语里已经有人写「多跳推理新范式」。我不拦着别人兴奋，但摘要里「验证」两个字，我得拿放大镜照一照再说话。
放大镜举起来，验证器长什么样，看不见。
如果验证器是独立训练的，精确率和召回率总得放出来吧。如果它只是同一个 LLM 在自我确认，那就是让幻觉的重灾区给推理当裁判。你让模型给自己的推理打个分，它下手比写代码还自信。多问两遍「确定吗」，它连标点符号都不带改的。
这个裁判的错判率，论文里一个字都没提。
多跳问题的答案是一条路径，不是文档里躺着的某个句子。每一跳歪一点，到第四跳就偏出四条街。拆出来的子问题还得挨个判断——同一个靠不住的裁判，在这条路径上被重复用了好几遍。
把丑话说在前头：这架构有一层我是认的。它总算把「先自审、再检索」这个顺序写进了流程，而不是让 agent 逢题先查五圈。轻量这个直觉是对的，方向不冤。作者名单里几个名字看成色，东大认知智能那挂人，分寸感还是在的。
但分寸感补不上「验证」这两个字。
官方说：「在三个多跳问答基准上显示了有效性」。摘要里呢？哪三个数据集、平均几跳、对比的 baseline 什么量级，全是省略号。挑对基准的功夫，这行早就见怪不怪。「有效性」还是个形容词的时候，这话只能按修辞打折，不能按结论记账。
顺便交代：这篇我没来得及复现，训练配置不是几行命令能拉起来的。上面这些权当同行提醒，别当我跑过数据。
锐评评分卡：骨架七分，关节三分，摘要里的「有效性」打折后勉强及格。值得读，比值得复现高一档。哪天他们把验证器的校准曲线贴出来，我收回一半的怀疑。在那之前，它离「让模型自己判断自己」的老路，只隔着一层没捅破的窗户纸。
