保留解释与只留结论：
一次小规模 SFT 对照
{intro}
两组到底改了什么
同一批 96 道英文训练题，两组最终数值都正确。一组保留计算步骤或条件判断，一组只有 Answer: 数值.。提示词要求以 Answer 数值收尾，没有要求必须解释或必须简答。
题目包括数量计算、排除运费的满减门槛、先增后减的百分比变化，每类 32 道。测试使用相同模板下未参与训练的 36 个参数组合，另加 12 道简单事实与算术探针。这不是新题型泛化测试，也不是通用能力基准。
每个随机种子都从同一个原始模型和新初始化的 LoRA 开始，训练三轮、每批 4 条，共 72 步；两组配对使用相同的样本顺序。只监督 assistant 部分，训练不截断。固定取最后一轮，没有依据测试分数挑选检查点。完整设置见实验协议。
先看两个训练组
| 模型 / 种子 | 同模板 / 36 | 探针 / 12 | 未解析 / 48 | 截断 / 48 | 监督 tokens |
|---|
这里的“通过”要求明确的 Answer 数值正确；没有解析到，或多个 Answer 数值冲突，都记为未通过。表中的原始模型得分尤其需要结合下文的格式与长度问题阅读。
| 模型 / 种子 | 满减条件 | 数量计算 | 百分比 |
|---|
- {pairtext}
两个种子在同一批题上测试，不能把它们合并成两倍的独立测试样本。12 道探针中一题就占 8.3 个百分点，适合发现具体问题，不适合给“能力保持”下结论。
解释更长，也可能写错
下面两题都来自种子 17。第一题，解释组完成了乘法后的减法；第二题，解释组把大小关系写反了，只留结论组反而答对。它们说明为什么需要看逐题输出。
{cases}原模型的 0/36，不等于一道都不会算
原模型在主实验的 36 道同模板题上没有通过严格评分，但其中 23 道没有解析出 Answer 数值，17 道达到 128-token 上限。这个分数包含格式要求和生成预算的影响，不能把它解读成微调带来了从零开始的推理能力。
例如 inventory-8-11-2，原模型已经算出 8 × 11 − 2 = 86，并把 86 放进了公式框；因为没有输出 Answer: 86，仍被记为未通过。百分比题则有 12/12 碰到了长度上限。因此，这里的主要比较是两种训练目标之间的表现，不是用这个基线制造“巨大提升”。
{extra}这次能留下什么结论
这组小实验观察到了不同训练答案带来的结果差异，也暴露了评测实现对结论的影响。它还不足以区分：差异来自中间步骤、任务信息重复、监督 token 预算，还是这些因素共同作用。
两组虽然都训练 72 步，监督 token 分别是 13,974 和 2,349；损失又是在每批有效 token 上取平均。解释组不仅“多说了几句”，还多接受了任务相关监督。数据使用固定模板、英文、小模型和两个种子，也都限制了外推范围。这里没有测量口语自然度，更没有测试语音模型或真实业务系统。
下一轮最值得先改的是评测：让生成预算足够、将格式遵循与答案内容分开报告，再用不同表述和题型检验能否迁移。确认评测口径后，才适合进一步比较监督预算。
2026-10-01 补充：按决策条件检查数据划分
本次只复核已公开的数据与输出，没有追加训练或推理。满减题的答案由商品小计和满减门槛决定，运费不参与判断。按这两个量分组，32 条训练样本对应 20 组条件，12 条测试样本对应 9 组；其中 8 条测试样本的条件组合已在训练中出现，另外 4 条对应 3 组未见组合。完整题干和完整参数组合仍不重复，但它们不都代表新的决策条件。保留解释的两个模型在这 4 条未见组合的原题上分别答对 3 条和 4 条；样本太少，且有条件重复，只能作事后描述，不能据此证明记忆或解释训练机制，也不能把它当作新的独立基准。原协议、数据、输出和主结果保持不变。
复核使用 只读审计脚本和逐条对应关系、结果与来源指纹；来源固定到 本次复核前的公开版本。如果今后另做数据划分，应先按商品小计和满减门槛分组，再分配训练集与测试集。
复现与原始记录
- 运行说明 · 训练与推理脚本 · 数据与标签检查
- 96 道训练题 · 48 道测试与探针题 · 模型文件校验 · 环境版本
- 结果汇总 JSON · 统计脚本 · 本页生成脚本
- 完整逐题 JSON：{rawlinks}
全部 48 道题
展开可看原模型及四次训练后的原始回答。可以按题型筛选，或只看同一种子下两组评分不同的题。