语言模型的不良行为压下去还会反弹：PEARL把训练起点挪到半错轨迹上，重训后仍压得住
语言模型在后续微调中可能重新出现已被压制的错误行为，而常规后处理能否压住、能压多久此前缺少统一比较。PEARL在GRPO的在线采样之外，加入从已缓存的不良轨迹中间状态续写的对抗前缀，让策略练习从半错状态恢复。在Qwen3-4B与GPT-OSS-20B两类模型、窄触发与宽触发两类实验模型上，PEARL即时压制较强并保住任务准确率，在宽触发设定和GPT-OSS-20B上收益最明显；窄触发加Qwen3-4B时，大量定向重训下SFT更耐久。