测试 100%，长一点为什么就失败？

原模型只训练长度 2–5。原独立测试保持相同长度、使用未见的反转等价组；长度 6–8 是原报告的外推集。诊断另加长度 9–10 的独立组。所有原始权重与已保存测试预测先逐题复核，不重新挑 checkpoint。

第一组扩展训练在原训练集之外加入长度 6–8 的新训练组，并排除所有评估组。每个 seed 仍固定 1,200 次更新、batch 64、AdamW LR 0.003、dropout 0.1、裁剪阈值 1；数据序列及消费 token 均保存。原先的“长度外推集”对扩展模型已经变成训练长度范围内的未见输入，真正的新长度外推是 9–10。

蓝线为原模型的自由生成，紫线为当前对照。切换条件不会在浏览器训练或重新采样，展示的每条预测均来自保存的实际运行。

默认仅展示每个长度最前六条实际记录；上方指标用完整评估集计算，完整逐题记录在下载报告中。

新增六次独立训练：三个 seed、两种训练支持，均从同一份对应初值出发，恰好使用 410,000 个监督标签。数据划分、组隔离、最终权重规则和优化器配方预先固定，不按测试表现继续调整。

这个对照补齐了相同监督量的证据，但长度分布、独立训练组数和更新数仍然不同。因此可以比较固定监督预算下的整个训练方案，不能把所有变化识别为单独的长度因果效应。

完整报告包含三 seed 的原始、EOS 诊断、位置平移及扩展训练预测；另保存逐位置概率、分组数据、每步样本 ID、消费量、训练曲线和扩展权重。论文提供长度泛化的研究背景，本轮结论只依赖这里的任务与对照。