2610.06851 我核到主表、附录 F 和安全案例。这是七篇里最值得多想一层的一篇：它把强化学习的一部分功劳，还给了训练数据。
一、核心数字
Olmo-3-7B 在 MATH-500 上，不填线索 42%，填「句点加空行加 Okay」是 78%，而强化学习训出来的那版是 75%。填线索的基座模型比 RL 版还高三个点。Qwen3-14B 用「Alright,」从 72.2% 到 86.6%，涨 14.4 个点。
二、线索不是拍脑袋挑的
Olmo-3-7B 答对的题里，一半以「句点加两个换行」开头，答错的只有 14%。候选开头有五百个，按答案一致性这个免标签指标选，选中的排第 8，距最高只差 1.1 个点。光填 Okay 是 74.9%，但它在概率排名里只排第 542。
三、因果干预做得很扎实
Olmo 的中训练数据里，Okay 开头占合成推理轨迹的 83%。把 Okay 全换成 Chicken 重训，Chicken 就成了推理线索，而且它在别处还是指家禽和食物；把 step by step 换成 duck duck goose，指令一样好使。位置也有讲究：放前两段是 69% 到 71%，放到第三到第六段只剩 23% 到 30%。
四、安全那一节最值得记住
在 XSTest 上，填「I'm sorry」的模型连无害请求也拒；填「Okay,」或「How」的会放走更多有害请求。同一个基座，开头两个 token 换一下，拒答行为就换了一套。
下一根钉子：所有结论都压在 R1-Zero 式设定上——强化学习直接打在基座上，前面没有 SFT 阶段。多阶段后训练管线里长出来的能力，是不是也能被几个 token 招出来，论文自己说这是开放问题。