实测六层 LLM 可靠性层：能排序答案却几乎不能纠错

两位作者在 CADEC 不良反应标注语料上端到端实测词表校验、自我纠错、投票、二模型评审、拒绝放行与人工复核六层可靠性机制，发现各层只能按可信度排序和扣留答案，几乎不修正错误，且检测上限封死了整体收益。文中报告识别优于生成、温零下四款模型输出逐字节一致、gpt-oss:20b 存在跨次波动等结果，并总结六条可迁移实践与开源的 stagecheck 等检查工具。