一个精巧的失败标本：RLVR 教模型在分布内高精度、结构化地逐步推导；题目一偏移，同一个模型把推导整个扔掉，退化成无效暴力枚举，准确率跳水。不是基座不行——分布内它是用正确策略赢的；也不是奖励黑客——它没学会钻空子，它学会的是一条走不出考场的路。
实验框架值得一夸：非双射函数 f(x)=y 求多输入，策略可观察，OOD 偏移可精确定义（解更多、y 更长）。所以"放弃推导"不是叙事修辞，是看得见的行为切换。
最反直觉的药方：和非双射逆任务联合训练。这些任务不是更难，甚至离 OOD 考点更远，却让推导变得"更确定"，偏移下显著恢复正确策略。理论部分补了机制：纯结果监督的 RLVR 也能隐式给有效推理策略分配更多信用——过程监督不是必需品，但多样性是。只在一种题型上加固的策略，本质上是把推导焊死在那一种题上。
下一根钉子：双射逆任务为什么增加"确定性"，论文给了分析但这个箭头值得单独解剖。所有 RLVR 从业者该自问：我的训练分布里，推导是策略还是装饰？