知何时不可复用：自主LLM后训练中的条件化经验迁移 Knowing When Not to Reuse: Conditional Experience Transfer in Autonomous LLM Post-Training
提出BCIT方法，在复用历史训练经验前先校验其是否适用于当前模型状态。
前置知识
自主后训练闭环（Autonomous Post-Training）
指由 LLM Agent 驱动的自动化模型改进流程：Agent 提出一个训练更新（如换数据配比、换损失函数），实际执行训练得到候选模型，用评估反馈决定采纳或修改下一个提案，如此迭代。代表系统有 LaMDAgent、TREX，评测基准有 PostTrainBench、Agent2RL-Bench。
本文的问题正是在这个闭环里产生的：闭环会积累大量「某更新在某时某处有效」的历史记录，论文研究的就是这些历史能否、以及何时可以被安全复用。
负迁移（Negative Transfer）
迁移学习中的经典现象：源任务上学到的信息不仅没帮助目标任务，反而造成伤害。传统研究在任务或表征层面刻画它（Taskonomy、LEEP、LogME）。在大模型后训练场景下，它表现为：在旧父模型上有效的微调配方，换到新父模型后目标不涨或保留指标暴跌。
本文把负迁移问题从「任务层面」下沉到「单个候选更新 × 当前模型状态」的决策粒度，核心实验（24 个匹配对照中 13 个不改善目标）就是负迁移的直接证据。
上下文绑定的证据（State-Bound Evidence）
一次更新的观测效果依赖于它执行时的父模型、数据、训练阶段和评估协议，因此历史记录只支持「在源上下文 $x_s$ 下有效」这一命题，不等价于「从任何父模型重训都有效」的无条件许可。论文用 Toulmin 实践论证模型类比：观测增益是通过「warrant（适用保证）」支持主张的，显式例外可以推翻它。
这是全文的核心概念：BCIT 的记录结构 $(i, x_s, E_s, B_i, \rho_i)$、乘法评分 $Q_i = S_i A_i$、硬冲突否决，全都是在工程化「证据不能脱离上下文」这一原则。
有界验证试验（Bounded Validation Trial）
在投入全量训练预算之前，从当前父模型出发、以 capped 预算（本文为标称全量的 20%）跑一次短训练，用与全量训练相同的冻结评估数据度量目标变化 $\Delta^{val}$，结果分 Pass/Fail/Inconclusive 三类。其临时检查点永不晋升，只作为「当前状态证据」指导授权决策。
它是 BCIT 三分支（拒绝-验证-训练）中承上启下的一环；论文用专门的 ShortFull-24 研究量化了这种短跑对全跑的预测保真度（方向一致率 83.3%，$\rho=.72$）。
SFT 与 GRPO
SFT（监督微调）用标注数据做下一词元预测的参数全量更新；GRPO（Group Relative Policy Optimization）是一种 RL 后训练算法，对同一提示采样一组回答、以组内相对优势为基线计算策略梯度。本文的候选更新池同时包含 12 个 SFT 型和 12 个 GRPO 型原子干预。
理解候选记录里的「原子更新」究竟是什么（如 Standard SQL SFT、Execution-reward GRPO），以及 Table 9 中 SFT/GRPO 各 12 条匹配效应的含义，需要这两个算法的基本图像。
IFEval 与保留约束
IFEval 包含 541 个提示、834 条可验证指令，分别报告 prompt 级和 instruction 级严格准确率。本文把它作为所有能力共享的保留约束：任何更新在训练、验证、采纳各阶段都不得让 IFEval 相对初始父模型下跌超过 2 个百分点，且不可被目标分数补偿。
论文反复强调「目标提升不等于更新有益」——多个候选目标涨分但 IFEval 崩塌 10–22 pp，正是这类保留违反构成了有害更新，是授权决策要拦截的主要对象。
研究动机
自主后训练系统（LaMDAgent、TREX、Agent2RL-Bench 等）在迭代中会积累一份「更新-结局」历史，但这份历史不能自我执行：一次更新的效果依赖于它当时的父模型、数据配比、训练阶段和评估协议，在旧父模型上观测到的成功只是源上下文绑定的证据。若把历史成功当作无上下文的许可直接复用，代价有两层：一是浪费稀缺训练算力，二是被错误晋升的子模型会成为后续决策的父模型，进一步扭曲训练轨迹。论文用 Retrospective-24 诊断量化了这一风险：在 24 个匹配候选-上下文对（每能力族 8 个）中，13 个候选不改善目标（11 正、3 中、10 负），而 11 个目标改善的候选中只有 3 个同时保住两项保留指标。典型反例触目惊心：标准 SQL SFT 使 BIRD 提升 2.250 pp，但 IFEval prompt/instruction 级分别暴跌 22.736/18.705 pp；随机采样函数调用 SFT 使 BFCL +1.351 pp 但 IFEval −11.091/−8.153 pp。即便语义同族的迁移内部也涨跌互现。
本文的目标是本文要把「是否复用历史经验」确立为自主后训练中一个独立的控制问题——条件化经验迁移（conditional experience transfer），并给出可操作的方法：对当前父模型 $m_t$ 下的每个具体候选 $c_i$，在全量权重训练之前，由授权策略从 ${Reject, Validate, Train}$ 三个动作中选择其一。目标是在候选流、证据、算力完全匹配的条件下：（1）显著减少有害候选的授权而不牺牲有益候选的覆盖（防止平凡的「全部拒绝」占优）；（2）验证有界验证试验对全量训练的预测保真度；（3）在等算力成对比较中提升最终共享模型的跨任务均值，同时满足 IFEval 的 $-2$ pp 保留边界。实验载体是用一个 Qwen3-4B 模型顺序适应金融推理（FinQA→TAT-QA）、text-to-SQL（Spider→BIRD）、函数调用（xLAM→BFCL）三个能力，顺序晋升不断更换父模型，构成经验迁移的压力测试。
与已有工作不同的是，已有工作都不回答本文的核心决策问题。自主流水线方向（LaMDAgent、TREX、EvoTrainer、AutoPipe）改进候选生成与迭代训练，不处理「父模型已变后旧证据还算不算数」；可迁移性估计方向（Taskonomy、LEEP、LogME、负迁移理论）在任务或预训练模型层面打分，粒度太粗且不涉及权重更新的具体授权；案例推理与 Agent 记忆方向（ExpeL、Reflexion、Agent Workflow Memory）检索和改写可复用内容，而非决定是否为一个具体候选分配训练算力；任务算术、模型汤、TIES-Merging 在集成时处理兼容性，持续学习在训练后限制遗忘，都发生在 BCIT 所在决策点之后。BCIT 的独特切入是在候选生成与全量训练之间插入一个透明的「拒绝-验证-训练」授权层：用源证据强度与当前兼容性的乘积 $Q_i = S_i A_i$ 编码「高源分数不能补偿上下文错配」，用不可补偿的命名硬冲突实现 Toulmin 意义上的「例外可推翻论证」，并用结果盲审计与等算力成对实验来评估这一层本身的价值。
核心方法
直觉上，BCIT 把「过去某更新有效」从「现在可以花全量算力重训」中剥离出来：前者是源上下文下的观测，后者是需要当前状态证据支持的授权。技术上，每条历史经验被冻结为状态绑定记录 $c_i^{hist} = (i, x_s, E_s, B_i, \rho_i)$，其中 $i$ 是原子更新，$x_s$ 是源上下文（源父模型、数据、协议、阶段），$E_s$ 是观测到的源证据，$B_i$ 是预指定适用条件与命名冲突，$\rho_i$ 是指向模型/数据/配置/评估产物的溯源哈希。授权时，确定性编译器只读源记录与当前上下文结构化元数据（禁止读目标结局，时间戳与哈希防追溯篡改），计算三个量：源强度 $S_i = d(e_i)\,\mathrm{clip}(\delta_i^{src}/\kappa_i, 0, 1)$，其中证据等级折扣 $d(A/B/C) = 1/.75/.5$、$\kappa_i$ 为预指定归一化尺度、负源效应截断为零；当前兼容性 $A_i$ 为五个训练前字段（能力族匹配、训练数据可用性与同一性、运行时可用性、当前父兼容性、评估/输出协议兼容性）取 0/.5/1（错配/未决/匹配）的均值；硬冲突指示 $H_i$ 仅当命名必要条件被矛盾时为 1。正分取乘积 $Q_i = S_i A_i$。决策规则为：$H_i = 1$ 或 $Q_i < \tau_l = .30$ 则拒绝；$Q_i \ge \tau_h = .70$ 且证据为复制的匹配对照（$\chi_i = 1$）才可直接全量训练；其余且存在忠实短跑（$\nu_i \neq None$）走有界验证，验证 Pass 转全量、Fail 拒绝、Inconclusive 仅在冻结回退租约允许时全量。所有全量训练后的子模型统一面对共享采纳规则 $g$：目标增益达阈、全部保留约束满足、无硬失败才晋升父模型，否则回滚——授权不等于晋升，验证检查点永不晋升。
核心创新有三点，且都与既有方法的本质区别明确。第一，证据的上下文绑定：记录只支持「在 $x_s$ 观测到的效应」，系统性地拒绝给更新打无上下文的正/负标签——新提案被表示为 $c_i^{prop} = (i, \bot, \bot, B_i, \rho_i)$，不伪造任何源分数，因此只能通过真实的有界验证获得全量预算，这从结构上堵住了「把历史成功洗成无条件许可」的路径。第二，乘法组合与非补偿否决：$Q_i = S_i \times A_i$，源强度再高也无法补偿当前上下文错配（与 Flat-Additive 基线的加法分数 $(S_i + A_i + 1 - H_i)/3$ 形成对照——加法下证据可以买断冲突，硬冲突退化为普通特征）；而 $H_i = 1$ 的一票否决实现了「显式例外推翻论证」，实验显示去掉该否决会使有害授权率从 25.0% 升到 50.0%。第三，边界冻结与结果盲：适用条件、阈值 $\tau_l/.\tau_h$、采纳规则、预算、评估器全部在结局开放前冻结，且「只有实际执行的事件能扩展记忆」——episode 内历史 $H_t$ 不可变，每 episode 至多 3 个原子探索提案且必须验证，episode 后才能经溯源检查、去重、冲突复核整合出新库版本 $L^{(e+1)} = \mathrm{Consolidate}(L^{(e)}, H_T^{(e)})$。
方法步骤详情
完整流程分六步。第 1 步，共享可执行性过滤（所有对比策略相同，故其排除不计入 BCIT 功劳）：凡配置、数据、训练器或评估器不可复现的候选直接丢弃。第 2 步，授权编译：确定性编译器从冻结经验库读取候选记录，计算源强度 $S_i$（证据等级折扣乘以归一化源效应 $\delta_i^{src}/\kappa_i$，使用重复配对运行的下置信界或记录点估计）、兼容性 $A_i$（五项 0/.5/1 字段均值）、硬冲突 $H_i$，以及验证可行性 $\nu_i \in \{\mathrm{Continue}, \mathrm{Restart}, None\}$（验证是全跑前缀 / 独立短跑后重启 / 无忠实短跑）。第 3 步，决策路由：历史候选按 $H_i = 1 \lor Q_i < .30 \Rightarrow Reject$；$Q_i \ge .70 \land \chi_i = 1 \Rightarrow Train$；$\nu_i \neq None \Rightarrow Validate$；否则 Reject。新提案无 $S_i$ 与 $\chi_i$，只有 $H_i = 0$ 且存在忠实短跑才 Validate（Eq.13），每 episode 探索配额 $q = 3$。第 4 步，有界验证：从当前父模型 $m_t$ 以 $b_i^{val} \le \bar{b}^{val}$（标称全量的 20%）训练得临时检查点 $\tilde{m}_t$，用冻结的同一评估数据计算 $\Delta_i^{val} = M_{val}(\tilde{m}_t) - M_{val}(m_t)$；目标达验证阈值、全部保留界保持、无格式/解析/执行失败记 Pass，触发预指定退化或护栏条件记 Fail，其余 Inconclusive。第 5 步，全量训练与共享采纳：$m_t^+(i) = \mathrm{Train}(m_t, i, b_i^{full})$，在独立于验证数据的采纳数据上按规则 $g$ 计算晋升效用 $U^{prom} = \frac{1}{|F|}\sum_{r \in F} \Delta_r^{prom}/\kappa_r$，要求各能力达最小有意义增益、$U^{prom} > 0$、无硬失败才晋升，否则回滚到 $m_t$。第 6 步，记忆与探索：episode 内 $H_t$ 不可变且只记录已执行事件（决策、哈希、动作、成本、指标、保真度、结局；拒绝只记冻结理由），episode 后经 $\mathrm{Consolidate}$ 生成新冻结库版本。训练栈为 Qwen3-4B 全参数 SFT/GRPO，LlamaFactory + DeepSpeed ZeRO-2，bfloat16，4 GPU 有效 batch 32，学习率 $6 \times 10^{-6}$，余弦调度，4096 上下文。
技术新颖性
技术新颖性体现在四个层面。其一，问题层面：首次把「源上下文证据是否值得为已改变的父模型分配验证或全量训练算力」作为一等决策问题形式化，定义了状态绑定决策单元 $(c_i, x_t)$ 和 $Reject/Validate/Train$ 动作空间，与任务级迁移估计和内容级经验检索正交。其二，方法层面：乘法评分 $Q_i = S_i A_i$ + 非补偿硬冲突 + 「只有 A 级复制证据可跳过验证」（$E^{direct} = \{A\}$，点估计永远不能绕过验证）构成一套透明、规定式（非学习）的授权算术，任何决策都可被追溯到冻结字段。其三，评估方法学层面：这套实验设计本身有贡献——匹配对照设计让原子干预效应可解释（每对共享父模型、种子、数据规模、评估样本与预算）；结果盲审计（决策先冻结、结局后开放、哈希防篡改）；验证保真度研究让全部 24 个候选都跑短+全（避免 pass-only 选择偏差）；等算力 6 配对种子 episode + 精确符号翻转检验（$2/64 = .03125$ 为最小可达 p 值）+ 事后修订需预注册的协议修正案。其四，诚实性层面：作者明确区分方向性证据（McNemar $p = .25$ 的 24 单元审计）与推断性证据（6 配对 episode），把组件消融标记为描述性，这种证据分级在同类系统论文中少见。
实验结果
实验围绕四个递进问题展开，证据链完整。RQ1（效应异质性，Retrospective-24）：24 个匹配候选-上下文对中目标效应 11 正/3 中/10 负，且 11 个目标改善者中仅 3 个同时保住两项 IFEval 指标；语义同族迁移内部同样涨跌互现（金融 5 涨 3 跌、SQL 3 涨 2 平 3 跌、函数 3 涨 1 平 4 跌）。最危险的两类更新：标准 SQL SFT 目标 +2.250 pp 但 IFEval-P/I −22.736/−18.705 pp；随机采样函数 SFT 目标 +1.351 pp 但 −11.091/−8.153 pp。RQ2（结果盲授权审计，Audit-24 含 10 有益/8 有害/6 中性）：BCIT 授权 2/8 有害、9/10 有益，有害授权率 25.0% 对 Flat-Additive 的 62.5%，有益覆盖 90.0% 对 80.0%，授权中有害占比 14.3% 对 31.3%；McNemar 检验 $p = .25$，属方向性队列证据。结构归因清晰：去掉候选特定适用条件有害授权升至 75.0%，加法+否决为 37.5%，去掉 BCIT 硬否决为 50.0%——适用条件、乘法组合、硬否决三者互补。RQ3（验证保真度，ShortFull-24）：20% 标称预算下短/全目标方向一致 20/24（83.3%，精确二项 95% CI [62.6%, 95.3%]），Spearman $\rho = .72$；Pass 识别有益全跑的精度 80.0%、召回 80.0%，中位成本仅为全量的 17%；预算敏感性呈单调改善（5%/10%/20% 预算对应 62.5%/75.0%/83.3% 一致率）；但仍有 4 次符号反转（S04/S07/G04/G10）和 2 个假 Pass（混淆矩阵 TP/FP/FN/TN = 8/2/2/12）。RQ4（等算力 36 GPU 时 episode，6 配对种子）：BCIT 终点均值 47.0±0.4 对 Flat-Additive 44.4±0.3，配对差 +2.63 pp（95% CI [2.10, 3.16]，全部 6 对同号，精确符号翻转 $p = .03125$），任务级增益 TAT-QA +2.48、BIRD +3.04、BFCL +2.37；协议修正案的更强基线也被超越：对 Validate-All +1.50 [0.85, 2.14] 且平均少用 0.74 GPU 时，对 Additive+Veto +0.90 [0.27, 1.52]；轨迹质量 AUC 为 44.9，优于 Flat-Additive 43.6 与 Validate-All 44.2（配对 +0.70 [0.22, 1.18]），但对 Additive+Veto 的 +0.47 区间含零，不构成优势主张。过程指标：BCIT 晋升 46/62（74.2%）对 Flat-Additive 28/63（44.4%）。组件消融（3 种子，描述性）：去硬否决 −1.49 pp，Reject-Unresolved（拒一切验证路由候选）−1.76 pp。参照系：Base 均值 42.5；三个单任务专家（各花满 36 GPU 时、只评估自己任务）达 39.6/49.3/65.1，说明 BCIT 是共享模型下的最优而非绝对上限；IFEval 所有策略均守住 −2 pp 边界（BCIT 76.7/82.9）。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| 跨能力最终共享模型质量（TAT-QA+BIRD+BFCL 均值，36 GPU 时端点） | 6 配对种子 Mean（配对差 95% CI） | BCIT 47.0 ± 0.4 | Flat-Additive 44.4 ± 0.3；Validate-All 45.5 ± 0.2；Additive+Veto 46.1 ± 0.2；No-memory 43.9；Reuse-all 42.5 | +2.63 pp / +1.50 pp / +0.90 pp，全部 6 对同号（符号翻转 p=.03125）；对 Validate-All 另少用 0.74 GPU 时 |
| 有害候选授权（Audit-24 结果盲审计，8 个有害单元） | HER 有害授权率 | 25.0%（2/8） | Flat-Additive 62.5%（5/8）；去适用条件 75.0%；去硬否决 50.0% | −37.5 pp（McNemar p=.25，方向性） |
| 有益候选保留（Audit-24，10 个有益单元） | BCov 有益覆盖率 | 90.0%（9/10） | Flat-Additive 80.0%（8/10）；Applicability-only 80.0% | +10 pp，同时授权中有害占比从 31.3% 降至 14.3% |
| 有界验证保真度（ShortFull-24，24 个候选均跑短+全） | 短/全目标方向一致率与 Pass 判别 | 83.3%（20/24），ρ=.72；Pass 对有益全跑精度 80.0%/召回 80.0%，中位成本 17% 全量 | 机制研究无对比策略；预算敏感性 5%/10% 预算对应 62.5%/75.0% | 20% 预算下比 5% 预算一致率 +20.8 pp，支持 20% 主操作点 |
| TAT-QA（金融问答，源 FinQA） | Official F1 | 35.9 | Base 31.3；Flat-Additive 33.4；Finance 专家 39.6（独占 36 GPU 时） | +4.6 vs Base，共享模型中最高 |
| BIRD（text-to-SQL，源 Spider） | Execution accuracy（400 例） | 44.3 | Base 39.0；Flat-Additive 41.2；SQL 专家 49.3（独占 36 GPU 时） | +5.3 vs Base，共享模型中最高 |
| BFCL（函数调用，源 xLAM） | Full match（444 例） | 60.8 | Base 57.2；Flat-Additive 58.5；Function 专家 65.1（独占 36 GPU 时） | +3.6 vs Base，共享模型中最高 |
| 保留约束（指令遵循） | IFEval prompt-/instruction-level 严格准确率 | 76.7 / 82.9（相对 Base 76.5/82.7 为 +0.2/+0.2） | 预指定 −2 pp 边界；Reuse-all 73.6/79.3 已逼近违规 | BCIT 同时是任务均值与 IFEval 双最高，守住全部保留边界 |
局限与改进
作者明确承认的局限：证据只覆盖一个 4B 模型、三个目标能力、一个保留基准（IFEval）和人工规定的边界；四项经验研究共享候选集、彼此互补而非独立重复；只有完整策略比较具备 6 个配对种子的推断力，组件消融仅 3 种子且为描述性；验证保真度与算力权衡可能随模型规模、数据和调度变化；学习型边界、更广领域、更长轨迹留作未来工作。此外 RQ2 的 $p = .25$ 表明有害授权率差异只是方向性队列证据，HER 的 95% 边际区间 [3.2, 65.1] 极宽。我的补充观察：其一，授权质量的置信区间宽达几十个百分点，24 单元审计远不足以支撑精确的错误率估计；其二，AUC 轨迹指标对 Additive+Veto 不显著，说明 BCIT 的优势集中在终点而非全程，早停场景收益不确定；其三，所有候选由作者团队编制（虽有候选卡 schema），「原子更新」池仅 24 个，经验库规模极小，检索、去重、冲突检测在库增大后的可扩展性完全未验证；其四，$\tau_l/.\tau_h$、20% 验证预算、$q=3$ 探索配额等超参的敏感性只部分探索（验证预算有扫描，阈值没有）；其五，Inconclusive→全量的回退租约是研究设定而非由 $Q_i$ 推导，实际预算竞争下的行为未知。
独立分析的弱点
弱点一：人工边界是系统的阿喀琉斯之踵。适用条件的五字段打分、命名硬冲突词表、证据等级（A/B/C）、归一化尺度 $\kappa_i$ 全部依赖领域专家预先编写；换到新领域时，未写入词表的冲突模式（如新的输出协议不兼容）不会被 $H_i$ 捕获，系统会静默退化成 Flat-Additive 类行为。改进方向：用 LLM 提案 + 人工抽检半自动生成条件与冲突词表，并对其假阳/假阴率做校准实验。弱点二：统计功效不足。6 个配对种子的最小可达 p 值就是 .03125，任何单点波动都可能翻转结论；24 单元审计的区间宽度（HER [3.2, 65.1]）使「25.0% vs 62.5%」的实际差距高度不确定。改进方向：扩大候选池与 episode 数，或改用分层/聚类稳健推断（同能力族单元相关）。弱点三：验证保真度不完美且有系统性缺口。4 次符号反转中 3 次是短跑正/全跑负（S04、S04、G04 均 Pass 但全跑有害），即假 Pass 偏向高估短跑收益；GRPO 的短跑一致性（$\rho=.671$）低于 SFT（$\rho=.755$），RL 更新的高方差可能是根因。改进方向：对高方差候选用多种子短跑取稳健统计，或引入学习型早期停机把 20% 固定预算变成自适应预算。弱点四：阈值与配额的任意性。$\tau_l=.30/\tau_h=.70$、折扣 1/.75/.5、$q=3$ 均无敏感性分析，跨域迁移时校准集（与评估单元不相交）从哪来也未说明。改进方向：报告阈值扫描曲线，并用在线校准（如 conformal 方法）替代固定阈值。弱点五：保留维度单一。仅 IFEval 一个约束，真实部署需要安全、幻觉率、格式合规等多维 guardrail，多维约束下共享采纳规则 $g$ 的可行域会急剧收缩，方法是否仍能保持 74.2% 的晋升率存疑。改进方向：把保留约束向量化，研究约束间的权衡前沿。
未来方向
作者提出的方向：学习型边界（用数据驱动方法替代人工规定的适用条件、冲突与折扣）、更广泛的领域与工具、更长的顺序适应轨迹、以及验证保真度和算力权衡在更大模型规模下的稳定性。基于本文成果可以延伸的方向：其一，把 BCIT 授权层接入 PostTrainBench、Agent2RL-Bench、EvoTrainer 等公开自主后训练框架做外部验证——本文的候选流是自建的，第三方环境的候选分布可能更接近对抗性；其二，经验库规模化研究：当库从 24 条增长到数千条时，需要检索排序、冲突索引与库内冲突消解，$\mathrm{Consolidate}$ 的溯源检查如何并行化也是工程问题；其三，用因果推断（倾向得分匹配、分层）替代完全匹配对照，降低每对「对照+干预」双跑的成本——目前每个匹配对都要跑两次全量训练来标定效应；其四，多父模型场景：当系统同时维护主模型与多个 LoRA 分支时，「当前上下文」的定义、$A_i$ 的计算以及晋升语义都需要重新形式化；其五，把硬冲突词表标准化为可跨团队共享的 schema（类似能力卡/模型卡），使经验库具备网络效应；其六，理论上刻画 $Q_i = S_i A_i$ 与验证保真度之间的关系——什么条件下短跑方向一致性可以给出有害授权率的上界，这将把本文的经验规则升级为有保证的授权准则。
复现评估
可复现性在同类系统论文中属于第一梯队。透明度方面：正文加附录给出了完整协议冻结清单（manifest 含基础模型、种子、记忆快照、候选清单、检索顺序、证据等级、阈值、评估器、解析器、数据角色、资源上限、停止规则与分析规范）、训练默认值（Qwen3-4B、LlamaFactory/PyTorch、bfloat16、DeepSpeed ZeRO-2、4 GPU、有效 batch 32、学习率 $6 \times 10^{-6}$、余弦调度、4096 上下文）、候选级完整账本（Table 9 的 24 个匹配效应、Table 12 的 24 条短/全记录）、种子级端点（Table 14/15/16/17 覆盖全部策略与种子）以及统计检验的精确定义（精确符号翻转枚举 $2^6 = 64$、McNemar 不和谐表、配对 t 区间），并提到附有 CSV。数据方面：FinQA、Spider、xLAM、TAT-QA、BIRD、BFCL、IFEval 全部公开，训练/验证/采纳/终评按角色切分即使同源也不重叠。主要障碍：论文未提及开源代码（截至该版本），候选卡、经验库 schema、验证编译器与审计脚本需按论文描述自行实现，这部分工程量不小且是实现正确性的关键；算力方面，复现一组主对比（BCIT vs Flat-Additive，6 配对种子，每 episode ≤36 GPU 时）约需 430+ GPU 时，加上 Validate-All、Additive+Veto、消融与专家基线，完整复现约需 1500–2000 GPU 时，4×A100 级团队需数周；而只复现 RQ1/RQ2/RQ3 这类诊断与审计（仅需已记录结局与冻结决策）则几乎零算力成本，适合先验证记分与决策逻辑再投入训练。
论文图表
![Candidate updates exhibit heterogeneous target and retention effects across 24 matched candidate–context pairs. (a) Target-direction counts (n = 8 per family); arrows redundantly encode direction. (b) Target change versus the worse IFEval change. The gray [−2, 2] band is linear; the disclosed symmetric-log scale compresses only larger retention changes.](/papers/2608.26730/images/figure_2.jpg)
(a) 三个迁移族（金融→TAT-QA、SQL→BIRD、函数→BFCL）各 8 个匹配对的目标方向计数：金融 5 涨 3 跌、SQL 3 涨 2 平 3 跌、函数 3 涨 1 平 4 跌。(b) 每个候选的目标变化（横轴）对更差一侧 IFEval 变化（纵轴，对称 log 轴）的散点，灰色 [−2, 2] 带标记保留边界；标准 SQL SFT 和随机函数 SFT 等危险更新位于「目标微涨、保留暴跌」的左上区域。
这是问题存在的直接可视化证据：语义同族迁移内部效应剧烈异质，且目标提升与保留安全高度冲突——正是这张图说明了为什么「复用历史成功」必须先做条件校验。