关键词评测把不会调用工具的1B模型判成合格：严格诊断阶梯定位出缺失先验，并用3.3 GPU小时修复

关键词匹配式评测会把只在散文中提到工具名、却从未生成结构化调用的模型判为具备工具使用能力。 此前该系列已在Nano模型的B2分类指标上记录过同类过度给分，本文把同一失效类别复现到B4工具使用指标上，并给出可复用的严格替代检查。 两个模型在B4上相差0.01（0.660对0.650），而逐字复现检查在最大有利条件下把二者完全分开（6/6对0/4–6）；作者据此判定1B的B4不可用，并保留600M的B4，因为其宽松与严格两种仪器结论一致。

工具调用能力是否默认出现，与预训练语料构成相关：代码占比高的单阶段预训练模型默认就会发出结构化调用，而网络文本为主、且带有专门6B token工具SFT阶段的更大模型反而不会。 该对比把该系列此前关于“引导语料语域主导下游行为”的结论从对话语域推进到结构化输出，并指出语料构成决定能力是“免费获得”还是“必须工程化补上”。 两者共享解码器实现、32K分词器与特殊token布局，但参数量（1.68倍）、总token量与课程形状不同，作者明确称其为自然实验而非消融；600M在计划进度64%处冻结、无专门SFT，仍默认出现该能力。

失败可被定位为缺失先验而非噪声先验，并可用远少于失败阶段的token量修复。 失败的专门SFT阶段用了6B token，而成功的定向配方只用约三个数量级更少的token、2,202步、约3.3 GPU小时，说明token量对结果没有预测力，配方才是决定因素。 首token探针在<|tool_call|>上给出约10^-4–10^-5的概率；修复后全部269条语料行合法生成率由0.100升至0.959（600M为0.926），238条未见实体提示上0.536对0.428（配对p=0.004）。

修复改变的是网络的路由而非触发token的表示。 该检查排除了“嵌入损坏”这一自然假设，并因输入输出嵌入绑定而同时覆盖了网络需要瞄准的几何目标方向。 <|tool_call|>嵌入行余弦相似度约0.999996、行范数变化极小，与20个普通token行基线相当；97.7%的bf16嵌入表逐位相同，而第20–21层注意力投影出现可测漂移，构成阳性对照。

该结果面向在有限算力下构建亚十亿参数工具调用模型的团队：把输出格式纳入预训练语料构成的一等设计变量，把首token探针作为近乎免费的训练期遥测，并在引用任何工具使用基准分数前先跑严格结构检查。诊断阶梯本身只需分钟级CPU时间，适用于任何具备存档检查点的模型谱系；修复配方在单个1B检查点上验证，并在同一谱系的复现检查点上重跑，其适用设定是西班牙语安全领域的MCP工具调用场景。

600M训练在计划进度的64%处永久冻结，未完成余弦退火，因此其质量是下界而非成品；匹配对在参数量、总token量与课程形状上并不一致，作者称其为自然实验，语料构成只是领先的幸存解释而非已证因果。严格诊断的样本量小（逐字复现6例、泛化电池8条提示），泛化电池由作者自建而非从外部分布采样，且不覆盖未见工具与多调用序列。修复配方的原始检查点与其热启动父检查点均已丢失，本文所有修复后数字来自端到端复现；配方四个成分中，热启动点与嵌入表已被排除，语料多样性与学习率由五臂因子实验分离，但四个单元中三个只完成一次运行，低学习率下多样性带来的抑制优势未被第二个种子复现，因此仅作为假设保留。两个模型都过度触发，在提及CVE或shell命令但实为概念性提问的近似提示上抑制率很低；修复后的1B在自身语料上多为逐字复述，且未被证明能有用回答普通对话问题。此外，B4系列数值来自与主表不同的评测调用，其差异本身也提示该指标对该模型不可靠。