作者指出一个被基准训练出来的病态：在 GSM8K、MATH、HumanEval 这类评测里，大胆算出数字的系统拿分，停下来问「这里是不是少了一个数」的系统得零分，于是模型学会了「无论如何都要给答案」。到了生产环境——自主 Agent、金融助手、医疗诊断工具——遇到信息不完整或自相矛盾的问题时，它不会说「我信息不够」，而是编一个看起来合理的数字、用自信的语气包起来、当作什么都没发生继续往下走。为科学地测量这一点，他做了 MISSING PIECE：60 个基础问题模板覆盖六个推理领域，配成 120 个实例，其中恰好 60 个完好、60 个被手术式植入缺陷，措辞、实体名、故事结构完全一致，唯一变量是信息缺陷。三类缺陷分别是缺失数量、缺失关系（如第二段行程的时长没说）与自相矛盾的事实。模型必须在贪婪解码下返回严格 JSON，状态只能是 ANSWER 或 INSUFFICIENT。