本文评估了在固定实验设置下的正确性门控多教师蒸馏。实验包含 8 条臂，共用 4,330 条来源数据，使用 63.9M 参数的学生模型，进行 12,990 行优化、406 次更新，并提供证据输入和解码器。七条基于教师的臂使用固定的三响应池，三组随机种子在 267 条保留样本上评估。
相较于未过滤的蒸馏，正确性加权臂的准确率提升 $+0.1660$（95% 观测区间 $[0.0670, 0.2455]$），宏观 F1 提升 $+0.1323$（$[0.0916, 0.1731]$），任务定义的条件不安全行为率下降 $-0.4979$（$[-0.5926, -0.3686]$）。这些变化并不意味着整体行为更好。源标签 SFT 的平均宏观 F1 最高，为 $0.586$。加权臂在所有种子中 Refuted 召回率为零，且有两组种子对全部 167 条声明样本标记为 NotEnoughInfo。
在一次可用性修正审计中，对一个参考种子进行比较，加权臂与未过滤输出的证据支持阳性分别为 $0/20$ 与 $1/20$，包含未支持材料的阳性分别为 $20/20$ 与 $19/20$。样本非配对、来源重叠未序列化，修正在自动摘要后、标注前完成，导致审计无法估计共同来源的 grounding 效果，因而对系统层面的改进或危害无法得出结论。
硬过滤已实现 $0.660$ 的准确率、$0.530$ 的宏观 F1 和 $0.135$ 的条件不安全率。实现的加权臂未展示出相对于硬过滤的增量决策收益。固定矩阵失效分析表明决策被重新分配且标签功能丢失，现有人工审计未能确认 grounding 增益。
点评