代理先前完成稽核與修復後，下一次驗證的誤報率最多下降 11.5 個百分點

把同一個模型先用作審核者、再要求它修正問題，看似只是代理工作流的編排選擇；新研究指出，這段經歷會改變模型下一次審核的判定門檻。研究者先讓模型對另一筆 ProcessBench 推理軌跡完成「稽核→修復」，再交付位元完全相同的目標題目。Qwen3.6-27B、Qwen3.6-35B-A3B 與 Ministral-3-14B 在五種語義相近措辭下，15/15 組合的誤報率均低於等長、非稽核上下文，降幅為 2.8 至 11.5 個百分點。

實驗不只觀察正確軌跡。研究同時以 929 筆標記為錯誤的軌跡估算偵測率，再用訊號偵測理論拆分辨別力 `d′` 與判定準則 `c`。判定準則在 15 組中全部向較少報錯移動，13 組通過多重比較校正；`d′` 則沒有任何一組顯示可辨識的顯著改善。換言之，模型主要是變得寬鬆，而非更能區分正確與錯誤。該操作點的 balanced accuracy 確有上升，但原因是原始誤報很多，不能推論寬鬆化在其他錯誤分布下仍有利。

為排除單純上下文長度或答案極性，作者加入等長填充、只有稽核、惰性重述，以及實際發現並修復錯誤等控制。結果亦非簡單複誦前文結論：在效果最乾淨的 Ministral 測試中，先前稽核若真的發現錯誤，後續反而更寬鬆，方向與一般負面訊息促使更多報錯的預測相反。啟用推理模式後，兩款 Qwen 的絕對誤報率大幅降低，但相對門檻偏移仍存在；代價是輸出 token 約增至 18 倍，且截斷與格式失敗並非隨機。

這對程式碼審查、自動證明檢查及 critic–repair 代理很實際：不能只追蹤「被標記項目的修復成功率」，還應同時量測乾淨樣本誤報率、錯誤樣本偵測率與上下文歷史。可考慮讓驗證器使用獨立工作階段，或在修復後以清潔上下文重新驗證。限制是研究只涵蓋一個推理資料集與三款開放模型；另有兩款候選模型未通過預設敏感度篩選，其中一款效果顯著反向，因此現階段不能把寬鬆化視為所有 LLM 驗證器的普遍定律。