按关键数值条件分组后：一次新的小规模 SFT 对照

这次重新划分了合成题的训练、dev 和 test 集，从同一份基础模型分别启动五个条件。在共享的 18 道 test 题上，保留解释的两个 seed 得到 11 和 13 次最终数值匹配，只留结论得到 4 和 3 次，原始指令模型得到 7 次。dev 上的结果更混合：保留解释为 8 和 10 次，原始模型为 9 次。

本页只报告 2026-10-04 完成的新运行。v1 和它的后续评测保留原样。较早 grouped-v2 的原始证据缺失，本次没有补造或复用那次的结果；设计前已经知道其摘要，因此也不能把这次称为盲独立复现。

五个条件的完整 dev / test 计数

每个条件评测相同的 18 道 dev 题和相同的 18 道 test 题，每个 split 都有库存、折扣门槛、连续百分比变化各 6 道。两个 seed 共享这些题目，不能视为两个独立测试集。下面没有按结果筛掉条件、seed 或 split。

在两个 split 中，保留解释的计数都高于各自配对的只留结论条件。与原始模型相比，保留解释的 dev 结果在 seed 17 较低、seed 29 较高，test 结果则两者都较高。只留结论让严格字段更稳定地出现，但最终数值匹配少于原始模型。这里的样本量不足以支持广泛泛化或统计显著性结论。

这三列分别在量什么？

最终数值匹配

先从输出中提取有依据的最终数值，再与目标数值做规范化的精确比较。它只判断提取出的数值是否相等，不认证单位、答案相关性、完整指令遵循或推理过程。

严格字段值正确

输出完整，且末尾符合区分大小写的 Answer: <number> 字段形式，字段中的数值等于目标值。允许末尾句点与空白。它比单纯提取最终数值更受作答格式影响。

严格字段存在

只观察末尾字段是否符合上述格式，不要求字段的数值正确，也不保证全文自洽。

例如原始模型 test 上的最终数值匹配是 7/18，而严格字段值正确是 2/18。二者的差距不能直接解释为能力差距；正确的最终值本身也不能证明解释或计算过程正确。

分组、训练与固定的边界

• 模型与数据：Qwen2.5-0.5B-Instruct 的固定版本，45 道合成英文文本训练题，三个任务模板。这不是语音模型实验，也不是雇主模型的基准结果。
• 按关键数值条件分组：库存题按初始总量与用掉数量；折扣题按商品小计与门槛；百分比题按初值与百分比。每组取一个代表，再划分 45/18/18 道 train/dev/test。分组避免新运行内部的同组跨集重叠，仍使用同一批模板；不同组可以有相同答案。与历史 v1 的条件重叠另有记录。
• 五个条件：新加载的原始指令模型，以及 answer-only / explained 两种训练目标各配 seed 17、29。每个条件均重新加载固定基础模型，不复用历史适配器；同 seed 的两种目标使用配对初始化与相同样本顺序。
• 训练：CPU LoRA，rank 8、alpha 16、dropout 0，只训练 q_proj、v_proj 适配器。每个训练条件 3 个 epoch、batch size 4、36 步 AdamW，学习率 0.0002，共 135 次样本暴露。四次训练合计 144 步。
• 监督 token：按移位后实际参与损失的标签统计，每个只留结论条件为 1,095，每个保留解释条件为 6,522，比例约为 5.96。解释还重复了数值和中间信息，因此样本数与步数相同并不意味着监督量相同。
• 评测：使用最后一个 checkpoint，贪心生成，最多 512 个新 token。数据、评分器与完整运行清单在本次输出产生前固定；没有根据 dev/test 结果挑选 checkpoint、调整参数或提前停止。

180 份输出怎样完成评分

180 份输出均非空，也都没有达到生成长度上限。冻结的提取器自动处理了 177 份；另有 3 份存在歧义：原始模型 test 2 份、保留解释 seed 17 的 dev 1 份。

这 3 份输出进入打乱顺序、使用不透明 ID 的输出-only 队列。每份分别做了两次新的 assistant 复核，复核时不提供题目、目标答案、条件或 seed；两次结论全部一致，因此没有触发第三次复核。六份原始记录和逐字证据引文都保留在下载材料中。这是 assistant 复核，不是人工复核，也不代表统计独立的评审者。输出自身可能暴露的信息无法在不改动证据的情况下消除。

没有输出被排除或从分母移除。标准库评分复算检查输出、token/EOS/长度上限记录的一致性，但不重新执行 tokenizer 解码或模型生成。哈希和复核记录可以核对材料一致性，不能以密码学方式证明实际执行或复核者遵守了盲法。

为什么材料里还保留早期预检的限制？

这次完整对照已经完成。早期状态与失败记录保留，用来说明运行前后分别知道什么：

1. 预检 001：短测试样例采用物理宽度 256，在原有内存保护处停止。失败被保留，没有作为实验结果计入。
2. 预检 002：依据真实 token 化审计，将同一短样例的物理宽度改为观测到的最大计划宽度 130；训练数据、目标、超参数和保护阈值未改。此预检通过，但当时仍未测试完整优化器步骤、长监督目标或 512-token 评测。
3. 完整运行：之后单独固定完整运行清单，使用实际 batch 长度的动态右填充，完成五个条件、144 个优化步骤和 180 份评测输出；没有触发保护停止，也没有重试完整运行。

保留的源协议与生成报告中，integration only、candidate unfrozen、optimizer untested、full-run implementation still required 等措辞属于较早的准备阶段。它们描述当时尚未验证的事项，不应读作本次完整比较仍未执行。现阶段状态应结合本页与下载材料的说明阅读，早期文件没有被事后改写成“当时就已完成”。

资源记录

完整执行耗时 3,173.289 秒（52.89 分钟）。独立采样监控观测到的进程 high-water 求和峰值为 5,241,552,896 字节（4.882 GiB），最低可用内存为 4,142,538,752 字节（3.858 GiB）。原有 6 GiB 进程内存保护、2 GiB 可用内存底线和全程 90 分钟时限保持不变。采样监控不是内核级硬内存限制。

下载与复算

公开包保留全部 180 份原始输出、六份 assistant 复核记录、冻结的数据和相关源代码、模型版本信息、各任务及各条件计数。它是经过说明的科学证据子集：公开所需材料与转换清单随包提供，未将含私有运行环境与存储引用的归档原样发布。

• 下载完整公开证据包（ZIP）
• 材料说明、当前阶段与复算步骤
• 标准库审计脚本 · 需放在解压后的证据包内使用
• 下载文件的 SHA-256 清单

审计脚本用于核对公开材料、重新生成数据并复算评分；它不会重新训练模型或运行推理。源代码与固定依赖用于检查和另行复现，本页不把评分复算当作训练复现。

这次可报告的是：在这一模型、这些合成题和这些训练设置下，两个训练目标组合得到了上面的数值与格式计数。要进一步判断机制或在实际语音交互中的效果，还需要更大、更多样的独立题集，以及更充分的监督预算和中间信息控制。