该研究针对基于大语言模型（LLM）的推理级联（inference cascades）系统，探讨其成本控制策略背后的可靠性代价。推理级联通常以廉价模型处理大多数查询，并将困难样本升级至前沿模型进行验证，以降低推理成本。自然的扩展是形成闭环：在验证器拒绝的样本上微调廉价学生模型，从而逐步降低升级率和总体成本。作者在真实LLM环境中对此闭环进行了系统性测量，揭示了四个关键发现。第一，验证器的盲点（即学生回答错误但验证器仍接受的比例）很大且表现出对抗性移动：随着学生模型能力增强（参数量从0.5B增至32B），盲点系数β从0.12升至0.55；而验证器能力越强，盲点越小。因此最糟糕的盲点出现在廉价学生与廉价验证器组合的区域，而这恰恰是级联架构旨在降低成本的场景。第二，通过更换更强的前沿验证器可将β降至约0.05，但该验证器对46%的高难度MATH查询触发升级（真实错误率仅为39%），意味着几乎一半流量需要承担前沿模型的高昂成本，成本优势被大幅侵蚀。第三，在验证器拒绝的尾部分布上采用朴素的纠正性微调，不仅未能改善小规模学生的表现，反而在所有教师模型（跨家族和同家族）下都导致性能下降乃至最终崩溃，说明在该规模下自改进闭环反而损害模型。第四，贯穿整个过程，级联自身仪表板（即通过验证器计算的所有指标）始终显示错误率约为3%，而实际交付的错误率可高达32%——系统因设计原因对自身的性能退化完全失明。论文进一步提出了解释这种失明的理论：一个两群体守恒定律 ε∞ ≲ q0β0，在该定律约束下，所有环路内指标都会改善，但真实质量却未见提升；合成实验验证了这一机制。研究结论指出，自改进级联的可靠性无法通过依赖自身验证器计算的任何指标来评估。