g-ftech опубликовала сравнение семи RL-тренажёров на Qwen3-14B в задаче арбитража децентрализованных бирж. Главный вывод: необученная базовая модель превзошла 4 из 7 обученных вариантов. Главное: • DAPO-refill — 0.7105 на тесте в режиме Thinking-2048 (лучший результат) • DAPO — 0.6467 в режиме No-think • Базовая Qwen3-14B — 0.6830 в Thinking-2048 и 0.3856 без мышления • CISPO натренировался до 0.8951, но на тесте схлопнулся до 0.6068 — хуже базовой Что это значит: тренировочная награда — плохой индикатор. Авторы показали, что за красивой кривой обучения может скрываться деградация на новых задачах. Слепое следование за нейросетью тренера без сравнения с базовой моделью — путь к ложным выводам. Один запуск, один домен (DEX), одна архитектура — результаты могут не воспроизводиться на других задачах и моделях.