校准下限：在中小规模模型中，格式修复可能伪装成自我纠错

英文标题：The Calibration Floor: Format Repair Can Masquerade as Self-Correction at Small-to-Mid Scale

该研究指出，语言模型自我修订后的准确率变化通常被解读为推理能力发生变化，但这一判断可能在答案提取环节失效。作者以因果测试而非仅观察性分析的方式检验了这一问题。研究覆盖 Qwen3.5（0.8B 至 9B）等中小规模模型，强调输出格式修复本身可能造成看似“自我纠错”的准确率提升。该结论提醒开发者和评测者，应将推理改进与答案格式、提取及解析带来的指标变化区分开来。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB