# 为什么多练了，提升还不稳？

2026 年 11 月 3 日，基于 11 月 2 日完成的 Wide / Deep 实验。

纠错让正确答案出现得更多，但常用做法仍会出错。扩大题量增加了学习材料，却没有解决练习衔接、错误重复和进退步抵消。下一轮应优先修这些问题，再判断是否值得扩大规模。

## 1. 结果是什么

七个训练组都完成三轮。主测试八个模型共 720 份答卷，学一次与四次的补充比较另有 180 份。所有模型使用同一套预先固定的 30 题，每题随机两份、固定一份。随机成绩计算全部回答的平均成功率，没有取两次中最好的一份。

| 版本 | 随机作答 | 固定作答 |
| --- | --- | --- |
| 原模型 | 27 / 60，45.0% | 15 / 30，50.0% |
| Wide | 30 / 60，50.0% | 14 / 30，46.7% |
| Deep | 30 / 60，50.0% | 14 / 30，46.7% |
| 原 Wide＋Deep | 27 / 60，45.0% | 15 / 30，50.0% |
| 同题量普通训练 | 28 / 60，46.7% | 14 / 30，46.7% |
| 改进 Wide＋Deep | 30 / 60，50.0% | 14 / 30，46.7% |
| 改进 Wide＋Deep＋纠错 | 34 / 60，56.7% | 15 / 30，50.0% |
| 50 道种子版 | 29 / 60，48.3% | 13 / 30，43.3% |

原模型与纠错版的固定成绩都为 50%，不等于两版每道题都一样。纠错版学会丛林木楼梯，又做错了原来会的投掷器，恰好抵消。

目前纠错版最值得继续研究；原联合版与原模型持平，其他改进也不大，尚未显示稳定的整体提升。

## 2. 为什么随机有收益，固定基本没有

训练使用带随机性的回答。合理解释是，学习让某些正确做法更容易出现，却还没有稳定改变最常选择的动作。固定作答进入错误循环后可能一直走同一条路，随机作答则还有机会换一种做法。本次没有记录最终测试的完整选择概率，下一轮要在少量关键状态上直接检查这个解释。

真实答卷支持“路径选择和失败后调整有问题”：

- 投掷器：原模型固定作答领取红石和圆石，第三步成功。纠错版固定作答在第 2 步及第 4–24 步都索要木棍，共失败 22 次。木棍并非原目标所需。相同纠错模型的两份随机回答却都做成了，一份用 6 步，另一份直到第 23 步才成功。
- 磨制黑石：扩大版固定回答反复写错配方数量，24 步耗尽；两次随机回答都成功，其中一份只用两步。
- 丛林木楼梯：原模型与纠错版前四步相同。发现木板不足后，原模型继续领取原木，却没多做木板；纠错版第五步把原木加工成木板，第六步完成目标。

纠错相对原模型的随机作答有 7 题进步、1 题退步，多对 8 份、少对 1 份，净增 7 份。相对改进非纠错版，5 题进步、2 题退步，净增 4 份；固定多做对 1 题。

蓝色玻璃板、丛林木楼梯、黄绿色羊毛在原模型三份答卷中全错，纠错版分别成功 1、3、1 份，确实出现了新的成功路径。但纠错版随机做对的 34 份中，有 25 份仍含操作失败，成功还不等于熟练稳定。

## 3. 为什么扩大题量没有更好

不能解释成“增加的题全都没用”。扩大版三轮共使用 1,872 份回答，比改进联合版的 920 份多一倍；有对有错的题次从 48 增至 117，确实增加了学习材料。全对或全错题已在主学习计算中跳过，不会作为零分材料稀释平均值。

| 三轮合计 | 改进联合：20 道种子 | 扩大版：50 道种子 |
| --- | --- | --- |
| 实际每轮题量 | 31、40、44 | 75、75、84 |
| 回答数 | 920 | 1,872 |
| 有对有错的题次 | 48 / 115 | 117 / 234 |
| 主学习调整次数 | 3 | 3 |
| 最终随机成功 | 30 / 60 | 29 / 60 |
| 最终固定成功 | 14 / 30 | 13 / 30 |

有四个更具体的问题：

1. **第二轮没有完成预期扩题。**老师分组漏了一条诊断，整份分组被拒，55 份有效诊断没进入出题。75 道旧题继续学习，但新增题为零。修好漏项后，才能完整检验扩量流程。
2. **新增机会被旧题变化抵消。**第三轮新增 9 题，只有 4 题有对有错。旧 75 题中，有对有错的题从 40 降至 36，加上新题仍是 40。仅增加起始铁锭数量的铁粒题，还是一步完成、8 / 8 全对。
3. **进退步抵消。**扩大组第二次学习前后，50 道种子多对 24 份、少对 24 份，仍为 279 / 400；全部 75 道旧题多对 43 份、少对 38 份，只净增 5 份。原来至少成功过一次的旧题从 68 道降到 65 道。难题覆盖没有随题量扩大。
4. **材料增加，学习安排没有相应改变，题目组成也不同。**更多回答仍合并到三次调整中；按整轮材料平均后学习，更多题不会自动让每个问题多学几次。50 种子保留原 20 题，再固定随机补入 30 题，数量与能力分布同时变化。学得轻、不同练习互相干扰、能力覆盖不合适，需要分别比较。

扩大版比改进联合版只少一份随机成功、一题固定成功，不能由此推断“加题普遍有害”。这次说明的是：当前条件下，增加材料没有换来最终优势。

## 4. 学习链路还缺什么

**简化任务与原难题之间缺过渡。**早期书架简化题直接给纸，绕开了暴露的难点。后来已补上用甘蔗造纸再做书，简单题 8 / 8，原书架在三轮训练前的作答中均为 0 / 8。后期失败记录显示，学生能做纸、皮革和书，后来卡在数量不足。需要练的是备齐多本书和整个制作次序，而不只是再次做一本书。原题已有回考，不能把问题说成“完全没回原题”。

**最终对错不能定位具体错误。**对于有对有错的题，主练把整题成功的鼓励给到全部动作，也把整题失败的负向影响给到已经正确的准备步骤。当前按全部生成文字平均，长失败包含更多学习项。是否因此发生抵消需要对照，但学习内容过粗是应优先查的机制。

**成功过程里也有错误。**八份全对可能是多次失败后勉强完成。它既不会产生主练的成败差异，又可能被当作升难依据。下一轮从同一批已有答卷中记录错误和恢复情况，区分“最终做成”与“过程已稳定”，不新增摸底。

**只加学习次数，没有解决共同问题。**相同首轮 31 题、248 份回答，学 1 次与 4 次的比较：随机 28 → 29 / 60，固定 15 → 16 / 30。随机 5 题进步、4 题退步。多学并非无效，但改善很小，不足以把全部问题归因于“只学一次”。这只验证了这份首轮材料和当前安排，不代表所有学习强度都已排除。

**Wide 与 Deep 不会自动叠加。**原联合版第二轮新增 9 题中 6 道全对；第三轮新增 4 题，3 道全错、1 道全对，没有一道给主练提供成败比较。在固定总名额下，两种题还要分摊名额。关键是围绕真实卡点产生合适练习，而不只是让两类题都出现。

**纠错的独立贡献还没分清。**纠错组三轮学了 49、65、73 个合格动作，增加三次学习，后续还独立出题。当前成绩体现完整方案的收益。要分清局部改正是否有效，还需要相同首轮材料、等学习量的普通成功动作与改正动作对照。

**三轮只给课程两次根据学习反馈改题的机会。**改进联合与纠错组复用原联合首轮主练，新的出题安排实际只在后两轮展开。先让短程实验出现可重复净收益，再单独比较增加轮数；第三次训练后的效果看最终共同测试，不能用第三轮训练前的答卷代替。

## 5. 最应优先处理的具体行为

八组主测试执行 11,040 次动作，其中 7,767 次被环境拒绝，约 70.4%；4,396 次是在相同库存下再次提交相同失败操作。失败题会做满 24 步，这些数字是动作统计，不是计算时间占比。

| 失败表现 | 训练应针对什么 |
| --- | --- |
| 砖墙连续 24 次直接领取砖块 | 分清可领取原料与必须制作的产物；被拒后转到前置制作 |
| 漏斗矿车只有四块木板仍反复做需要八块的箱子 | 对照库存补齐数量 |
| 投掷器反复索要不需要的木棍 | 按原目标选择必要动作 |
| 楼梯已有原木却不加工成所缺木板 | 正确理解反馈，补到真正缺少的材料层级 |

红砂岩墙、砖墙、棕色地毯、红石比较器、蓝色地毯、漏斗矿车六题在所有八组中都没成功。后续应从训练集里的同类错误设计练习，测试题仍留作检验。

不能简单截停所有重复操作。原模型有过第 15 步才完成磨制黑石，纠错版有过第 23 步才完成投掷器；应训练模型减少重复，不临时改变测试规则。

## 6. 下一轮计划

建议先保留 20 道共同种子、3 轮、每题 8 份、每轮总量上限 60 题，全部题收齐后统一训练。优先验证净收益，再扩大题量或轮数。

已经准备、尚未上实验的本地改动：统一材料说明；老师诊断与分组漏项修复；补全真实可练步骤；保留卡点和数量练习；简单题成功后回原题，再生成必要的过渡；共享同一能力的跨题成绩；旧题补答和已录用新题并行。这仍是候选修改，需要和完整代码组合，真实效果与显卡吞吐尚未测量。

建议按以下顺序验证：

1. **共用基础先修好。**学生、老师、所有对照用相同的清楚说明。说明变了，未训练参考也要重测；旧分数不能直接作为新条件的参考。有效诊断分开保留，单处遗漏不取消整轮扩题。
2. **固定材料检查学习内容。**分别检查长失败的学习占比、每份回答的权重和少量成功复习；不一口气全部改掉。最终成败奖励不变，一次／四次旧对照不重跑。
3. **围绕卡点连接练习。**全错时简化非卡点；简单题会了就回原题，原题仍全错则补一段过渡。全对但错误频繁的题，先练稳定操作。继续验证可完成、能力必要、难度方向。
4. **用少量版本检验方法。**未训练参考、同题量普通训练、修订 Wide＋Deep、修订 Wide＋Deep＋纠错。主实验后续仍依据各自模型独立出题；纠错额外学习量单列。另用固定首轮材料做等学习量小对照。
5. **有稳定净收益再扩大。**20 题是 50 题中的固定子集，保持说明、出题规则和学习安排，扩大组配同题量普通训练。对入选方案做独立重复，报告额外时间；剩余测试题按预定安排补测，不用于选题或调设置。

继续保留高效流程：首份送老师，其余并行补齐；确定录用的新题尽早作答；保存完整答卷、关键结果、各阶段模型。沿用已有验题结果，不加单独摸底、逐步备份或反复扫描。

是否值得继续扩大，主要看原本不会的题开始会、原来会的题保得住、未见题在固定与随机作答中都有可重复的净收益。

## 数据与阅读

本次 30 题四档难度为 10、11、8、1 题，每种方法只有一次完整运行。少数题会明显影响排名，因此结论是局部收益和可检验的问题，不是已确定的稳定优势。

- [交互分析页](analysis-20261103.html)
- [逐题成绩、训练量与实际动作](analysis-data.json)
- [完整实验首页](./#test-results)

本分析没有重新训练或生成答卷，已有结果保持原样。