一句话看懂：arXiv 上一篇预印本论文发现，把失败走法和报错写进对话记录后，小型 LLM 在某些游戏中反而更可能重走刚失败的那一步；受影响的概率随模型和失败类型而不同，目前结论只基于摘要所述实验。
事件核心：发生了什么
该论文测试了 Sokoban、四子棋和黑白棋三种游戏，失败分两类：非法走法和合法但会输的走法，均由程序精确判定。研究者用扰动正确走法构造固定探针题，在 8 个经过指令微调的模型（135M 到 1.7B 参数）上做汇总测试。结果显示，记录中同时写入走法字符串和失败信息时，模型重走该失败走法的概率上升，作者用每个 token 的校正增益 G = -1.38 nats 表示这一负面效果。该效应主要经由走法的表面文本起作用，在非法走法上明显，在合法但输棋的走法上不明显，也并非每个模型都出现。
为什么重要
这直接挑战智能体工具调用中常见的“把错误写回上下文再重试”范式。作者探索性分析显示，写入失败记录后，该走法的对数概率几乎不再取决于它此前的概率（斜率 0.18），模型原本不会走的招法变得更可能被选中，贪婪解码甚至开始输出这些招法。对依赖小模型做低成本推理、智能体或游戏 AI 的团队，这意味着上下文里的失败反馈未必能起到纠正作用，甚至相反。
对用户/开发者/创作者的影响
开发者应审慎设计重试回路：摘要提到，去掉走法字符串、只描述失败的方式能保留模型原有偏好；“不要重复”指令几乎无效；干净重跑是最差的 harness；解码器禁用只能阻止精确重复，挡不住非法走法。游戏 AI 和自动化测试场景需要注意，失败记录可能放大表面形式相似的错误。目前公开信息显示，该结论来自摘要中的受控实验，尚不能外推到所有大模型或生产环境。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是论文全文及同行评审是否支持这些数字，尤其是 38% 贪婪解码重复率和 OLMo 2 1B 训练阶梯中 DPO 阶段消除反转的发现；二是 RAGEN 默认模型在其 Sokoban 格式下是否确实在 RL 前就出现反转；三是更实用的反馈格式（如省略走法文本）能否被主流智能体框架采纳。
来源：arXiv cs.AI
