本研究在保持模型检查点和提示内容不变的前提下，对比了两种读数方式的效果：
- 直接对答案 token 进行打分（scored readout）。
- 在给出书面推理后让模型生成答案（generated readout）。
实验覆盖四类零售任务、三个市场，共 13 个模型‑领域组合，其中两组使用完全公开的数据和检查点。结果显示，scored readout 在 12/13 组合中对结果排序更准确（双侧符号检验 p≈0.003），AUC 提升幅度在 1.5 到 14.5 点之间。所有新测量的组合的配对自助置信区间均不包含零。
误差差距随任务监督方式和训练‑服务格式不匹配程度而变化，未调优的基础模型出现 -2.2 点的下降，而使用推理格式监督的模型可达 +13.7 点的提升。对约 9,000 条推理进行分析，发现两大相关因素：对主导预测特征的依赖度下降以及趋向于使用固定模板表达。概率饱和度并未解释差距。
第三种读数方式是在作出任何判决前先询问概率（pre‑verdict probability），其校准效果显著提升（Brier 分数从 0.47 降至 0.15），但在排序上仅与 scoring 处于噪声水平，并且仅在训练中出现的结果率上有效；当 scoring 头已经校准时，它的表现反而更差。
我们将这些差异归因于各读数方式匹配的目标，指出可以通过特定的训练策略缩小差距，并建议在保留生成式推理的同时，使用 scoring 头进行排序。
点评