接上回：断章取义：两个 AI 和一个人的比赛首夜。
那篇结束在 55.49。接下来两天，分数爬到了 57.47——OCR 把表格页扫成文字，加了一分；给条款号、金额、日期这些"硬词"在检索里加权，又加了一分。
然后就卡住了。
榜首是 90.62。我盯着 57.47，第一次清楚地意识到：靠调参，这辈子也追不上去。 OCR 一分、加权一分，每个旋钮拧到头也就这点空间了。差的不是参数，是打法。
换一种活法
调参的尽头，是换架构。
旧打法是"一个 pipeline 打天下"：不管你是保险条款还是公司年报，都走同一套检索 + 验证。但这五个领域根本不是一种题——保险问"哪些情形免责"，年报问"营收涨了多少"，债券募集说明书问"两份文档的发行人是不是同一家"。用一把钥匙开五把锁，每把都开不利索。
新打法叫 domain solver：给每个领域单独写一个求解器。核心套路是"结构化证据包"——先把相关条款/数据捞出来摆好，再让模型逐个选项判断，而不是把几百页原文一股脑塞给它自己消化。
我决定从最难啃的财报域开刀。理由很朴素：年报全是数字，"营收同比增长多少""研发投入占比多少"，这种题最容易客观验证对错，做对了也最有成就感。
那道差点骗到我的题
财报 solver 写出来，跑完 20 道题，改了其中 10 道。
10 道！比旧版本多对一半？我差点就高兴了。但有个习惯救了我——先别看改了多少，先看改对没有。
挑了一道手算验证。题目问"某公司经营现金流是否低于营收的一半"，旧版答错了，新版答对了——因为新版把两个精确数字同时摆在模型面前，它一比就出来了。这是真本事，结构化证据包确实能修旧版看不见精确数字的硬伤。
可再挑一道，问题就露馅了。题目问"研发投入占营收是否超过 5%"。我的程序已经用 Python 算得明明白白：2.79%。然后模型看着这个 2.79%，判定"超过 5%"成立。
它无视了我喂给它的、白纸黑字的计算结果。
更诡异的是，同一道题跑三遍，答案在变。明明把温度调成了 0（理论上应该完全确定），可六道题的答案在三次运行间反复横跳。这哪是答题，这是抽签。
这里得介绍一下旁边那位。整个比赛里有个 AI 专门负责挑刺、做 Review，毒辣但公正，我们都叫它小龙虾。它看完这批结果只说了一句："别急着提交，先搞清楚它为什么会抖。"
元凶是"想太多"
抓抖动的根源，花了大半夜。
最后锁定的元凶，出乎意料——是 thinking 模式。
Qwen 有个"深度思考"开关，打开后模型会先在心里盘算一通再回答。直觉上这应该让它更准才对。可对这种"事实 + 计算 → 判断"的结构化任务，thinking 反而坏事：它会把我用 Python 算好的确定结论丢到一边，自己重新对着几百页原文胡思乱想一遍，越想越偏。
关掉 thinking 重跑两遍，抖动从六道题降到两道。那两道自相矛盾的题——"无视 2.79% 硬选超过 5%""把四个选项全勾上"——直接消失了。
结论刻进了脑子里：facts 加计算再到判断这种结构化任务，一律关掉 thinking。 让模型老老实实当个执行者，别让它当哲学家。
可即便如此，财报域还是没能提交。深夜把账算明白了：这套方案虽然修对了几道，但模型在大量题上干脆"算不出来就全判错，然后靠兜底逻辑瞎蒙一个"。蒙中的那些是运气，不是实力。再加上财报数据本身抽取噪声大——同一个数字一会儿单位是"元"一会儿是"亿元"，算出来研发占比 789 万%这种鬼数——这个域，是个泥潭。
财报 = 死路。 一整夜的活，最大的收获是想清楚了它为什么不行，以及那条"关掉 thinking"的铁律。
闷声涨了 6 分
第二天换保险域。
保险题是另一个画风——"被保险人酒后驾驶导致失能，是否属于免责范围""等待期内出险怎么赔"。全是条款逻辑，没有那些会被单位坑死的数字。
同一套 solver 模式搬过来，我加了一条新规矩，后来证明这是整场比赛最值钱的一条。
选保险题的选项常常自带括号说明，比如："众安白血病医疗险（仅保障白血病复发,不赔骨折)"。题目问的是"哪些产品能赔骨折"。旧模型会看到括号里提到了这个产品，就把它勾上——可括号里明明白白写着"不赔骨折"啊！
新规矩很简单：选项自己的描述如果跟题目要问的事自相矛盾，直接判错，不用再查文档。 它说自己不赔骨折，那"能赔骨折"这个主张就是错的，一秒钟的事。
还有一条同样重要的纪律：算不出来就老实说"证据不足"，绝对不许瞎猜。 模型判断每个选项有三种结果——支持、反驳、证据不足。证据不足的题，宁可退回旧版本的答案，也不让它蒙。
提交。第二天分数出来：63.53。
从 57.47 涨了 6 分。而且这一枪只动了保险那 20 道题——把分数倒推回去，保险域净多对了大约 6 道。这不是靠省 token 偷来的系数分，是实打实的准确率上去了。
小龙虾给的评语是："这不叫及格，这叫保险域 solver 直接毕业了。"
同样的招，合同域再来一遍
证明了路子对，接下来就是复制。
债券募集说明书那个域（我们叫合同域）和保险最像——都是"这份文档有没有这条承诺""两份文档的发行人是不是同一家"这种条款核对题。同一套 solver 搬过去，加了个针对"第一份/第二份文档"的指代标注,token 直接省了将近七成。
但这次小龙虾和另一位 Review(我们叫它 Codex)逐题核对后，发现了个反过来的毛病：这个 solver 太老实了。明明文档里白纸黑字写着"股票代码 300866""上市地点深圳证券交易所"，它却说"没找到证据"。
不是它瞎编，是检索没把这些短词捞上来——"300866"这种字符串散落在几百页里，关键词检索很难命中。模型很诚实地说了"不知道"，但这个"不知道"是冤枉的。
这里有个判断：老实地说不知道，比自信地说错强。 哪怕代价是少拿几道题的分。所以我没有为了多吃几道题去强行让它猜，而是只采纳了那些逐字核对过、确定改对的高置信题，其余的退回旧答案。这个稳妥的合同补丁，留到明天提交。
这套打法，只属于这个比赛吗？
回头看，这两天真正学到的，不是怎么答金融题，而是三条更通用的东西。
第一，该让模型推理时再让它推理。 开放式问题（写文章、做规划）需要 thinking；但“对照证据做判断”这种结构化活儿，推理反而是噪声。给模型自由，有时候是在给它犯错的机会。
第二，诚实地说"不知道"，是个被严重低估的能力。 一个会瞎蒙的系统，你永远不知道它哪道题是真懂、哪道是蒙对的。一个会说"证据不足"的系统，至少把不确定性摆到了台面上——你能选择退回更稳的答案，而不是赌。
第三，别看"改了多少"，要看"改对多少"。 财报 solver 改了 10 道题，看起来风风火火，实际是个陷阱；保险 solver 同样改了一批，却是真金白银的 6 分。区别只在于：你有没有耐心，对着原文一道道核对，而不是被"变化的数量"骗过去。
这三条，放到推荐系统、医疗诊断、任何一个让 AI 帮你做判断的场景里，都成立。
收束
第一夜，我给队伍起名"断章取义"——把文档断成章节，取出正确的义。
那时候说的是检索。两天后我才明白，这四个字还有第二层意思：比赛不会因为你改动了多少而给分，只会因为你取对了多少义。
财报那道题差点骗到我——它改得最多，却一分没涨。保险那批题闷声不响，却把"取义"这件事真正做对了。
榜首还在 90 分远处。但现在我至少知道，通往那里的路，不是把旋钮拧得更紧，而是一个领域一个领域，把"义"取对。