失败的推理轨迹告诉你什么是可修复的（但无法通过阅读它们得知）

针对后训练语言模型在推理任务中的失败，现有方法通常仅增加计算资源进行重试，而忽略失败轨迹的价值。本文提出失败轨迹编码了“可恢复性结构”，即指示何种干预能挽救特定失败。通过提取三个基于干预结构的轨迹特征，而非依赖文本内容，该方法能有效聚类失败模式并表征不同后训练方法的失败拓扑。实验显示，该方法在分类准确率上超越基线 20%，并通过无训练的路由规则，在关键子集上将救援成功率提升 12.2%，将废弃的失败数据转化为诊断工具。