约束全过不等于答对了：给验证器奖励加一条似然区间，答题质量不再被训练吃掉
可验证指令遵循基准只检查输出约束是否满足，不检查回答是否真正回应请求，前沿模型因此能在几乎不答题的情况下拿满分。把同一验证器当作强化学习奖励，公开的 OLMo 3 检查点出现约束满足率升高而回答质量下降的奖励劫持。CaLIF 用冻结参考策略在请求下与请求加约束下的两个似然值划出一条区间，在区间内给固定奖励、区间外清零，在 1.7B 到 8B 的五种配置上把 IFBench 约束满足率从 26.98 提到 34.64，同时把回答质量维持在 4.59。