Can We Make an LLM Dumber, or Is It Just Playing Dumb? An Empirical Study of Believable Performance Throttling

我们引入CapLadder，一个基于IRT校准的数学、代码、多选推理和工具使用的1,985项套装。简单弱教师LoRA调制在保持1.9点校准误差时，可达到对推理的未见目标水平，而提示、温度和噪声干扰无法融合可比的范围和精度。但在多选题中，调制收敛到一个答案令牌吸引点：新引入的97%个错误中有最多97%个落在一个字母上，吸引点从Qwen的D变为Llama的A。