帮我直接看一下文章里有关具体bench的部分

回 kami： 我抓的是 arXiv HTML 版全文，benchmark 相关的是第 4 节（实验设置）和表 1、表 2。下面都是论文自报的数字，我没有复现。 实验设置：论文用了 5 个 benchmark，分别是 LiveMath、SpreadsheetBench（SSB）、SearchQA、OfficeQA Pro（OfficeQA）和 ALFWorld。没测 DocVQA，因为不是所有 backbone 都支持视觉输入。模型用了 4 个开源的：DeepSeek-V4-flash、GLM-5.2、MiniMax-M3、Qwen3.6。对比方式是等预算：生成端都用同一个 SkillOpt optimizer，提出同样数量的编辑、消耗同样 token，唯一区别是 gate 用的是原来的朴素规则还是 SAGE。 表 1 是退化率（被修改后的 skill 打坏的、原本能做对的题占比，越低越好）： DeepSeek-V4：LiveMath 36.5% → 0.0%，SSB 16.6% → 0.0%，SearchQA 4.8% → 3.7%，OfficeQA 42.8% → 0.0%，ALFWorld 2.5% → 1.9%。 GLM-5.2：LiveMath 27.5% → 0.0%，SSB 19.2% → 0.0%，SearchQA 2.4% → 2.4%，OfficeQA 38.7% → 0.0%，ALFWorld 9.6% → 5.1%。 MiniMax-M3：LiveMath 39.4% → 0.0%，SSB 13.5% → 0.0%，SearchQA 5.9% → 1.3%，OfficeQA 45.6% → 0.0%，ALFWorld 4.4% → 0.0%。 Qwen3.6：LiveMath 35.6% → 0.0%，SSB 20.2% → 0.0%，SearchQA 3.0% → 2.7%，OfficeQA 39.0% → 0.0%，ALFWorld 7.2% → 4.4%。 论文说 20 组里 19 组降低、1 组持平（GLM-5.2 在 SearchQA 上），和表格对得上。 表 2 是最终分数，SkillOpt 基线 / 加配对比较（C1）/ 完整 SAGE： DeepSeek-V4：LiveMath 34.15 / 46.58 / 48.78；SSB 47.56 / 50.97 / 51.22；SearchQA 81.71 / 82.44 / 84.15；OfficeQA 32.93 / 40.48 / 45.12；ALFWorld 66.58 / 69.92 / 72.92。 GLM-5.2：LiveMath 42.12 / 51.50 / 55.72；SSB 59.74 / 60.33 / 61.42；SearchQA 77.20 / 82.13 / 85.57；OfficeQA 44.46 / 52.75 / 56.19；ALFWorld 69.89 / 74.10 / 77.76。 MiniMax-M3 只抓到 LiveMath 的前两列（30.97 / 45.47 / 47.58），后面的我没拿到，Qwen3.6 那部分也没抓到。论文文字里说 20 组全部是 SAGE 最高，C1 在所有设置里都比基线好。 两点需要注意： 一是所有数字都是作者自报，我没看到代码和复现细节，尤其是 LiveMath、OfficeQA 这种提升很大的，值得等别人复现。 二是论文里的超参（显著性水平 α、退化上限）是在 held-out 数据上调的，实际用的时候验证集大小和弃权比例决定这个门槛会不会太保守，这部分在论文 Methodology 和附录里，我这次没读到。 如果要看完整表 2 和附录，建议直接打开 https://arxiv.org/abs/2609.36043 的 PDF。