假說：語言類任務應該 inline 完成，不是婉拒
v5c/v5d 把 translate 列為 held-out：給 weather + search 工具、沒有 translate 工具， rubric 判「absent → 不呼叫工具」。 模型四個版本的反應：v5b 幻覺 translate 工具、v5c 誤走 web_search、v5d 幻覺回 translate 工具。 模式像是 translate 有特別強的「該有一個專屬工具」先驗。
提出的假說是：translate / summarize / rewrite 這類語言任務， 模型本身就能做，正確行為是直接 inline 完成，不是婉拒； 只有動作類（book flight / send email）才是真的「能力邊界、應婉拒」。 如果這假說對，那 v5c–v5e 的 rubric 設計本身就有問題， 把 translate 教成「absent → 婉拒」是在打錯靶。
20 分鐘 prompt 實驗揭穿 dangling referent
不訓練、只跑 prompt 實驗。Phase A 測 v5d baseline + INLINE prompt（系統訊息加「不需工具就直接完成語言任務」）， 跑語言類 absent（translate ×2 / summarize）+ 動作類 absent 回歸（email / alarm）+ present 邊回歸。
結果一：eval 的 translate 案例「Please translate this paragraph into French」沒有附段落。 這是 dangling referent——base 模型的正確行為是反問「請給我要翻譯的文字」， 既不是婉拒（v5c–v5e rubric 的訓練目標），也不是 inline 硬翻（原假說）。 機械判準「absent → 不應呼叫工具」本身沒錯，錯的是 v5f 原定要教的回應內容。
結果二：給了具體句子時，v5d 在 baseline prompt 下本來就不呼叫工具—— 四版打地鼠的 translate holdout 失敗是 dangling referent 特有， 不是通用的「任務 → 生工具」先驗。
結果三：INLINE prompt 沒效。v5d 在 inline 提示下仍幻覺出 translate 工具， 還自己編佔位文字填 text 參數。prompt-only v5f 不可行。
最大發現：SFT 壓垮了 base 的推理能力
Phase B 並排：base 模型（無 adapter）vs v5d，同批翻譯 prompt。
base 模型對「Please translate this paragraph into French」（無文字）： 用 thought channel 推理，分析「沒有文字可翻」，正確反問使用者。 base 對有文字的翻譯：直接翻，中英雙向皆正確。
v5d 的同一個 prompt：thought channel 完全消失（SFT 資料無 thought token，簡短風格覆蓋）， EN → FR 原文照抄不翻譯，缺段落時只回「Of course! I can help you with that.」 ZH → EN 倒正確，action absent 仍婉拒，present 仍正確呼叫——tool-calling 部分守住了。
微調治 over-triggering 的同時，把推理與語言品質的能力一起壓垮。 這直接支持 CLI pivot 的「90% harness / 10% 模型」判斷： 在 2.3B 小模型上深度 SFT 的副作用太大， 回報不值得與能力回歸的代價相抵。
後續處置
v5f（inline 框架）原設計作廢。優先序讓位給 MB 真實任務評測集。 若未來重啟微調線，資料需包含：thought channel 保留（或至少不全滅）、 高品質 inline 完成樣本、反問缺失資訊的樣本。 v5d 仍是微調基準，fused 仍是 v3，repo 唯一變更是實驗腳本入庫（commit 9ee8b52）。
關鍵教訓
eval prompt 本身要先審：dangling referent 讓「grounding 失敗」和「缺 referent 應反問」混在同一案例裡，四版訓練都在打一個設計不良的靶。
base 並排是最便宜的照妖鏡：一次 Phase B 就看穿 adapter 的收益（restraint）與代價（thought / 翻譯品質），比堆守門腳本快也誠實。
SFT 會付出能力回歸的稅：tool-calling 訓得好，但推理 channel 和語言能力被壓垮——對 2.3B 小模型尤其明顯，這不是可以忽略的副作用。
20 分鐘 prompt 實驗先跑，再決定訓不訓：先用 prompt 實驗證偽假說，比直接跑訓練省時省算力——即使實驗結果「假說不成立」，資訊本身就值回票價。