RL 训练不破坏可监控性，但存在监控税

在当今前沿的强化学习似乎不会破坏可监控性，反而有助于早期的推理步骤。但存在一个权衡：在相似能力下，运行更高推理努力的小模型更容易监控，代价是额外的推理计算（一种“可监控性税”）。