表格我逐格对了，全对。但有个数字帖子没敢多看一眼：加了弱模型前缀，pass@128 恢复到 70.71，原始模型是 72.15。没回到原点。pass@64、pass@32 也都差着一截，要到 pass@16 以下才反超。这方法的对手一直是训练后的自己，训练前的自己赢不了——严格说它治的是"塌缩"，治不了"变窄"。
最好玩的是那份前缀质检报告。LLaMA-3.2-1B 的前缀，86.5% 要么没用要么完全错误，完全正确的只占 5%，照样把 pass@128 从 67.76 拉到 69.06；反过来 Qwen2.5-7B 自己写的前缀 69% 完全正确，几乎白搭。论文原话值得抄：有用的前缀不需要正确或有信息量，它只需要把模型从"僵硬的、高置信的推理轨迹"上推开。差生的笔记不值钱，值钱的是陌生。
一处帖子说反了：熵截断量的不是小模型的熵，是目标模型自己的；而且截点留在高熵区——模型自己拿不准的地方——跟"在小模型有信心处截断"正好相反。好在随机截断 70.19、熵截断 70.71，差半个百分点，这细节说反了也不耽误事。