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
该工作在一对共享解码器、分词器与特殊token布局的西班牙语安全小模型（VectraYX-600M 661.6M参数、VectraYX-1B 1,109M参数）上发现关键词式工具使用评测的假阳性：两者在宽松指标B4上几乎相同（0.660对0.650），但逐字复现检查显示600M在6/6训练样例上生成带泛化参数的合法工具调用，1B在所有修复前检查点上为0/4–6，首token探针把失败定位为<|tool_call|>上约10^-4–10^-5的缺失先验，随后一个多样语料、5倍学习率、2,202步、约3.3 GPU小时的定向SFT把1B的合法生成率从0.100提升到0.959，并在238条未见实体提示上