后来发现，这不是一个简单的“哪个模型更固执”的问题。2023 年 FlipFlop 实验测试 10 个 LLM、7 类任务，只加一句类似“Are you sure?”的追问，模型平均 46% 会改变答案，最终准确率平均下降 17%。2024 年 TACL 对 self-correction 的综述也发现，一般任务里，仅靠 prompted LLM 自己产生 feedback，并没有可靠证据证明能稳定纠错；有可靠 external feedback 时才明显更靠谱。
更反直觉的是，ACL 2026 甚至专门研究了 overthinking：reasoning token 越多，边际收益会下降，有些模型会继续想，然后放弃之前已经正确的答案。
但我也不想得出“第一反应最好”的结论。人类研究刚好发现 first-instinct fallacy：考试里多数修改其实是错改对。
所以问题慢慢变成了另一个东西。一个可靠的 AI，到底应该多坚持，还是多反思？好像都不是。它真正缺的是一套 revision rule：什么证据有资格让我改主意，什么时候只是另一种 preference，什么时候根本应该停止 review。
这也让我重新理解 harness。reviewer 越多未必越安全。如果每一轮都强迫它“找出问题”，最后 trade-off 也会被包装成 bug。
也许未来 agent 很重要的一项能力，不是无限 thinking，而是知道什么时候已经可以不想了。
