思维链还算不算护城河：原生推理训练与照搬输出训练差在哪
一、这份报告里我们能用的只有一条相对关系
公开报道转述了一份以个人作者名义发布的技术报告，作者是王琰，媒体给它的一句话概括是”一人、合法、反超原版”。报道里描述了报告中的一张图：两条实线是用原生思维链训出来的模型，颜色分别对应两位老师（Claude 的 Fable 5 与 GPT-6.1-SOL）；三条虚线是对照组，其中蓝色虚线是直接用 Claude 的 Fable 5 思维链训练得到的结果；在作者给出的报告里，两条实线高于蓝色虚线。
我们对这条线能做的处理只有一种：把它当作作者报告中的相对结果记录下来，不把它当作我们已经复核过的结论，也不引用媒体那句”反超原版”作为事实。原因很直接——单人报告的外部复核能力有限：题目集从哪来、筛选与判对错用的什么规则、评测口径是否与教师模型完全一致，这些拿不到就没办法验证；而这类对照实验恰恰是”口径决定结论”的那一类。媒体把它定性为”把整个行业最贵的一道护城河变成可以绕过去的工程问题”，这句话里可讨论的是后半句（工程上确实有另一条路径），不是前半句（哪家厂商的护城河到底是什么，需要重新排一遍才能回答）。下面把三件事说清：这两条训练路径的差别在哪一层、”合法”这条线到底画在哪里、以及对企业自研的实际含义。
二、原生思维链与照搬输出：差别在状态分布，不在文本
原生思维链的生成方式是让目标模型自己对题目产出推理，再做筛选与纠错：同一道题采样多条，按最终答案正确性、步骤一致性、格式合规性淘汰，保留下来的自我生成轨迹再回头训练自己。这在训练数据分布上的含义是——每个被学习的 token，都出现在模型自己会到达的前缀之后。照搬他模型的输出是标准的 off-policy 蒸馏：拿到的序列是另一个模型的状态转移轨迹，学生是在别人的状态分布上被监督的。
这个差别不是新现象。序列模型的蒸馏里它早就存在：教师强制给出的前缀是”正确路径”的前缀，学生自己解码时会走到教师从未教过它的区域；软标签蒸馏解决的是目标分布的形状，而不是访问分布的错配；要修错配，办法就是让学生自己生成、再给它的生成打标签（拒绝采样、自纠正、把学生 rollout 重新拿去评）这一族做法。所以这份报告里真正变化的不是机理，是规模门槛——这类对照实验过去要一整条训练与评测流水线才跑得动，现在一个人也做得起。机理本身该按常识对待，不该当作新发现。
工程上能观测到的差别落在四处：
- 表层格式与内部表征不同步。token 序列的可统计规律最容易学，所以照搬路径训出来的模型，思维链的样子、分段习惯、常用句式都很像老师。看输出格式判断”学到了没有”是错的判据，要判就得看分布外行为。
- 纠错能力缺训练信号。老师的轨迹里没有”自己走错一步之后怎么绕回来”的状态，因为老师较少走到那种状态。学生一旦在自己犯错的区域解码，就没有对应的监督，表现为回溯中断、沿着错误前提继续推到底。这和曝光偏差是同一个家族的问题。
- 推理长度与真实难度脱钩。模仿长度分布很容易，把长度分配给难题、短答给易题很难。分数不变、输出变长是这类模型常见的观感变化。
- 换题型时退化不同步。同一份题上两者接近；把题目换成需要组合、需要中途验证、需要拒绝无解情形的题型，差距才显出来。判”照搬是否够用”的关键测试就是这个分布外切片，不是同池题上的总分。
结论要保守一点：on-policy 的那份代价（算力花在生成和过滤上，需要可靠的答案判定器，否则会筛出”看起来顺”而不是”对”的推理）不是仪式，它买到的是访问分布与自身匹配、纠错状态被覆盖、长度与难度相关这三件事。这三件事在任何一次评测里都可能表现为很小的差；在需要模型自己承担错误的流程里，会表现为很难解释的差。
三、”合法”这条线要拆成三条，不许含糊
第一条：输出能不能用来训练。 这件事的答案只在一个地方——服务商条款原文。我们的要求很机械：把条款原文摘录进交付文档，标注访问日期与版本，因为条款会改，留档的那一版才是当时判断的依据；同一份条款对不同主体（内部研究、商用产品、再分发）通常分层规定，所以要按”我们拿它做什么”逐条对照，而不是按”它有没有写禁止”一句话过。API 输出的日志留存、二次使用、是否禁止用于构建竞争性能力，都属于要逐条摘录的范围。这里我们不断言任何一家的条款具体写了什么——**判断依据必须是原文，不是二手转述，也不是”大家都这样”**。
第二条：来源要不要说明。 用他人模型的输出训练，然后对外表述为自己的推理能力，这不是技术问题而是陈述是否属实的问题。我们的口径很直白：训练数据的来源要进模型卡与交付文档，字段包括来源主体、获取方式、许可依据、清洗与过滤规则、大致规模区间。写不出这几栏的方案，我们不签；愿意说明来源的”照搬”在合规上是可以讨论的，隐瞒来源不是。
第三条：思维链本身算不算产品资产。 这条最容易被忽略，也最影响前面的推理。很多厂商对外输出的思维链是经过了截断、改写、延迟或安全过滤的展示文本，它与模型内部真正决定答案的过程不是一回事。作为训练目标，这类信息量本身就是有限的：学生能学到”这个任务的解答长什么样”，学不到”决策在哪一步分叉”。把”能不能拿到别人模型的中间推理”当成资产价值来估，估的是一个未经确认的对象。
四、护城河重排：可复制性从低到高
如果思维链不是不可绕过的东西，那行业里真正难复制的东西要重排一次。我们按可复制性从低到高排成五层，每一层都配上”售前怎么验客户拿到的到底是这一层”。
| 层级 | 长什么样 | 复制它需要什么 | 售前怎么验 |
|---|---|---|---|
| 单次提示技巧 | 提示词、少样本、输出格式约束 | 一次抄送，或者自己试几轮 | 要求现场换一批没见过的题跑一遍；提示词被藏起来但效果随题型变化剧烈，说明价值在这层 |
| 特定任务微调 | 在某类任务上得到的能力增益 | 同题材数据加一轮训练，加上对失败样本的判断力 | 让它做负例与拒答测试；只会答不会”知道什么时候不该答”的，通常停在这层 |
| 数据管道与评测体系 | 采集、清洗、标注、回归门禁这条流水线 | 时间、纪律和一批被返工教训改过的规则 | 追问评测集谁出、有无固定回归集、两次版本迭代间隔多久；答不上细节的，多半没在这层 |
| 长期算力与工程迭代速度 | 稳定的吞吐、故障处理、能把想法在短周期内跑完的能力 | 资金、运维经验和组织持续性 | 看迭代记录而不是看单次演示；能不能按客户提出的具体失败样本在可预期周期内出版本 |
| 私有数据与业务入口 | 独占语料、流程嵌入、权限与责任体系 | 无法用钱直接换，只能自己积累 | 请对方指认哪一段能力依赖我方数据；答不上来的，通常不是数据层，而是通用能力层 |
排完之后可以看出，媒体那句”最贵的护城河”其实排在第四层而不是第一层：贵的是持续迭代与工程纪律，不是某一段被输出的文本。而第三层和第五层是我们这类做交付的公司真正能替客户建的东西——思维链可以被绕过，评测体系和独占数据不能被绕过。
五、对企业自研的实际含义：三条动机，缺一条就该买 API
重排之后，”自研一个推理模型”的理由要重新算。我们认为站得住的只有三条：数据不出域（敏感数据不允许送到外部接口，或者出去一次要走很长的评审）、成本结构可控（调用量长期存在且规模可观，自有资产能把边际成本摊下来）、深度定制（需要改输出的结构、延迟预算、与业务系统的耦合形态，而这些改不动供应商的 API）。
反过来，什么条件下三条都不成立、就该直接采购 API：团队小、训练与推理两边都缺能长期投入的人；手里没有独占数据，训练素材和竞争对手同源；调用量还不足以摊平一轮迭代的开销；能力需求每几个月就换方向。这四条里中了两条以上，自研就是负资产——它会占掉本来该花在提示、检索、评测与流程集成上的精力。这类项目里我们把”买 API 加自己做编排与评测”当默认起点，自研是要被论证的那一方，而不是反过来。洹拓科技在给方案时把这条写进评审表：主张自研的一方必须逐条对应上面三条动机给出证据，给不出证据的按采购处理。
还有一个容易被这份报告带偏的点：一个人能做起来对照实验，说明的是验证的门槛低，不说明长期跑赢的门槛低。前者是设计一次实验，后者是数据、评测、故障处理与成本上一轮接一轮的持续投入，两者的难度不在同一个量级上，也不该由同一个报道结论来推断。
六、洹拓视角：该盯的是任务分布与独占数据
把三件事收成一个判断：把”能不能拿到别人模型的中间推理”当成护城河本身，是评估口径错了。它既不是教师方最难复制的资产（第四层和第五层才是），也不是学生方最容易兑现的资产（截断改写后的展示文本信息量有限，而分布错配会让表面相似掩盖纠错能力的缺失）。真正该盯的两件事从来不在思维链上：这个任务分布会不会长期存在（存在，就值得建第三层的评测体系；只是一阵风，就买接口），以及有没有独占数据（有，就值得自研；没有，自研出来的是同款能力的第二份复制）。
这份报告能带走的可用部分是方法层的：分布内同池题上的对照不能证明什么，要证就得看分布外切片和纠错状态；同理，供应商在同池题上给的分数不能证明什么，要让它在客户自己的失败样本上重跑。至于”反超”这个结论本身，我们把它留在作者报告的口径里，等外部复核；而上面第五层那条判断不需要等任何人复核——独占数据这件事，从来不是靠拿别人的输出获得的。