语义熵在GSM8K上以AUROC 0.871识别小模型错误，但合成算术上的同类结果被一个纯正则难度基线完全抵消
该工作把语义熵用作小模型到大模型升级路由的信号，在三个基准和两个模型家族上测试，发现GSM8K上语义熵能可靠区分小模型错误（AUROC 0.871）并在等成本下比随机升级最多提升九个百分点，而合成算术上看似同样强的结果被一个仅凭题面难度、不含任何模型的正则规则几乎完全匹配；论文据此提出一套检查清单，包括难度基线、三种升级目标、oracle余量预检、逐次生成成本核算，以及一个可在实验前预测检索式捷径是否失效的难度探针，并提前预测了AUROC从0.908跌至0.518。