研究显示混合训练收益脆弱，仅训决策会跳过信念捷径

研究团队发现，联合训练虽有助信念与决策两个组件，但½信念+½决策训练的收益更稳定，信念+对齐训练基本只在评测格式与训练一致时有效。仅决策训练虽能大幅降低总 regret，却几乎不改善信念，表明 LLM 可能学会跳过信念形成；强制模型先陈述信念后，大部分收益消失。实验覆盖合成、天气和临床三个域。