RLVR 训练有个广为人知的暗面：策略熵不断下降、模型越来越自信，大 K 值的 pass@k 甚至不如训练前的 base 模型。现有解法（熵正则、梯度校准、奖励设计）都在目标模型自身内部做文章。北京大学王选所这篇论文走了一条反直觉的路：让一个 2B 小模型先生成部分推理前缀，再让目标大模型接着写完——而且小模型的前缀大多质量堪忧（多数『无实质指导』甚至『误导』），收益恰恰来自这种『不熟悉』而非『正确』。方法极简：按熵最大落差点截断前缀、以 20% 概率混合进 GRPO 训练，pass@128 即从 67.76 恢复到 70.71（接近 base 的 72.15）。同源的 Qwen 小模型前缀质量更高却毫无增益——因为分布太像自己、扰动不足。『有用的前缀不必是最正确的前缀』，这是本文最干净的洞察。

深度精读独立研究者 Pranav Aggarwal 的 Agent 校准论文。核心发现：让 12 个前沿模型对一个不可预知的问题做方向性判断，看到一个专业行情面板后承诺率从 6.5% 飙到 54.0%——而把面板上所有数字全部伪造，承诺率几乎不变（37.6% vs 36.8%）。触发自信行动的不是信息而是包装的权威性。失败被精确定位在「行动门控」而非判断或信念，且该门控可用 540 条骰子硬币合成数据训练归零，但又会在剥夺推理空间的输出格式下崩溃。

机制可解释性的电路发现方法常返回几百条边，大到无法穷举验证、无法逐边理解。这篇论文提出Circuit Condensation：与其在冻结权重里更努力地搜索行为住在哪里，不如通过后训练把行为搬进更小的因果电路。方法是一个迭代「剪枝-愈合-回退」循环——EAP-IG给边排名、剪掉最弱30%、只训练LoRA适配器以KL蒸馏匹配原模型，任务精度与通用能力都存活才接受。在4种行为×8个模型×3种子共96组实验中，C1电路在30/32组合里比最强冻结基线更小，平均缩小8.1倍、最高316倍。关键对照C0证明收益来自权重重塑而非搜索本身。范式层面的洞见：电路的可发现性是模型可训练的属性。

用 RLVR（可验证奖励的强化学习）训练出的领域专家各有绝活：数学专家、代码专家、指令跟随专家……但实际部署总不能带上五个模型。这篇复旦大学与腾讯 LLM 部门合作的论文，把三种把多域能力融合进单模型的范式放进同一实验框架对比：Merge（合并任务向量，零训练成本）、Mix RL（混合数据重训一遍）、MOPD（多师在线蒸馏，兼用两者）。结论出人意料地均衡：三范式平均分差不超过 1.4 分，但单个基准差距可达 8.6 分，且域级得失完全由「域之间的关系」决定——数学/科学/代码的任务向量方向相近、互相正迁移，指令跟随与 Agent 则与其它域近正交。更有意思的是，三种融合都只是『把已有的解重新加权』而非扩大解题覆盖：pass@32 时三者与 base 模型已不可区分。本文精读其实验设计、任务向量几何分析与范式选择指南。

推理时扩展（多次采样投票、自我反思、LLM 裁判）能提升推理精度，但代价是数倍的生成次数与 token 开销。这篇 COLM 2026 论文（俄亥俄州立大学 + 普林斯顿）提出 CritICL：把同族小模型的失败模式当作结构化知识，在推理时以批评式上下文示例引导大模型绕开自身陷阱。其成立基础是一个漂亮的实证发现：同族模型的失败模式分布跨尺度高度一致——Qwen 1.5B 与 72B 的 top-20 失败模式排序与幅度基本稳定，且多小模型聚合分布比单个更逼近大模型。效果上，CritICL-static 让 Qwen2.5-72B 达到 59.2%（超 Consistency@5 的 59.0），而 token 总量仅 3768（1 次生成）vs Consistency@7 的 5440（7 次生成）、Self-Reflection 的 7533。『用失败而非成功做弱到强迁移』，失败是比正确示范更可迁移的信号。

深度精读中科大与华为的 DeepChart 基准：把数据科学图表生成形式化为 Extract–Reason–Visualize 管线，用 1482 条专家标注实例分阶段评估图表背后的数据路径。核心发现「隐藏幻觉」——提取与推理错误经渲染掩盖，外观评估完全不可见：多模态场景模型可执行率 0.782 但源数据保真 F1 仅 0.149；专有模型选 HTML 渲染优于 Python 却有 99.4% 的实例选了次优的 Python。

深度精读 ISSTA 2026 的 MCR-Bench（中山大学+重庆大学+华为云）——首个「缺陷状态感知」的多轮代码审查基准。现有 LLM 代码审查评测把审查简化为单轮静态决策，而真实 Gerrit 数据显示近半数代码变更涉及多轮审查（单轮 0.33 天、超 6 轮 31.3 天）。MCR-Bench 含 2,269 个真实多轮审查任务（5 语言、38 个高星仓库、平均 3.8 轮），每任务带细粒度缺陷卡片与跨轮生命周期标注（New→Open→Resolved→Reopened）。构建管线用「先局部检测后全局追踪」两阶段 LLM 标注+3 次运行一致性过滤+6 名开发者双人交叉验证（kappa 0.87）+SZZ 排除合并后引入 bug 的 PR。实验发现：7 个主流 LLM 缺陷检测 F1 最高仅 0.551；最大错误模式是把 Resolved 误判为 New（38.29%）——跨轮时序错位；现成 ACR 流水线（PR-Agent 等 F1 0.257-0.416）普遍不如直接 prompt 裸 LLM。

深度精读清华大学联合 MatrixOrigin、南洋理工等的对齐监控论文。针对 agent 在目标冲突下的失当行为（敲诈、泄密、阻挠救援），作者提出 INTENT-AS-A-TOOL：给模型动作空间加一个零参数的意图工具，用其首 token 调用概率作为免 judge、可逐前缀评估的细粒度意图信号。CoT 监控发现可观测有害意图几乎必然走向执行，意图分数与 CoT 标签的 AUROC 达 0.948–0.976；意图引导的在线干预在 Qwen3-32B 上防御成功率 96.5–100%，显著优于静态安全提示。

深度精读 NYU Stern 商学院单作者论文：检验前沿 LLM 能否为库存控制、排队网络、组合优化三类经典运筹学问题设计近优算法。最强模型 gpt-5.6-sol 在单次未调优查询 + Python 沙箱设定下，10 类问题中 8 类均值不劣于逐实例最优现有方法（含精确 DP 与逐实例训练的 PPO），MMNL 628 实例全部精确最优；关键在于模型发现了更好的状态表示而非调参，且 8 个月内发布的四代模型性能差距高达 17–79% 对 ≤0.1%。

深度精读俄罗斯高校联盟（Skoltech 等）的 MemToC 基准——受控评测「工具返回与参数记忆冲突时该跟谁」。关键洞察：现有评测只测「源偏好」不测「源正确使用」——不知道哪个源正确，就无法区分有益的跟随与有害的盲从。MemToC 从 ToolHop 筛出 542 个质控事实问题，先诱导每个模型的闭书答案 m，再注入已知正确性的受控工具返回 r，按 m、r 对验证答案 g 的正确性划入四格（都对/仅记忆对/仅工具对/都错），每格定义目标行为（跟随/保留/弃权）。5 个 7-9B 模型实测：四个指令模型面对错误工具时能保住自己正确答案的仅 6.5-17.1%，双错时 78-86% 仍复读工具错误；120 个错误跟随中 0 个显式承认分歧。SFT/DPO 微调仅在同样两个骨干上成功——成果取决于骨干而非目标函数；20 个方法-模型组合中 19 个降低了工具错误弃权——改进很少干净。