困难还是未触及？诊断数学推理难度估计中的采样盲区

数学与科学推理基准依赖 pass@k 作为难度信号，但该指标在 hardest stratum 存在持续盲区。研究表明，在六种采样尝试均失败的样本中，约 10.3%-22.9% 可通过确定性机制（贪婪解码加激活嫁接扰动）解决。这种恢复能力随计算预算增加而扩展，且不同扰动机制具有显著差异性。研究利用激活嫁接作为内部表征的诊断工具，证明 pass@k=0% 的样本在残差流中具有结构可识别性，而非模型在常规推理下无法触及。