Ablations（消融实验）是机器学习研究中通过逐一移除或替换模型组件、训练策略或数据模块，来验证每个部分对整体性能贡献的实验方法。在当前大模型与智能体研究快速迭代的背景下，Ablations 已成为论文可信度的核心指标之一——审稿人往往不只看主结果，更看重消融表能否说明设计的必要性。
近期研究中的消融分析
在近期的 arXiv 论文中，Ablations 被用于支撑各类方法的论证链。在 Robust Function Calling for LLM Agents Under Interface Drift 中，作者针对接口漂移场景下的函数调用鲁棒性做了组件级消融，以区分鲁棒性收益究竟来自训练策略还是接口表示本身。类似地，Not All Test-Time Compute Is Evidence: Model-Specific Bias in LLM Reasoning 通过对不同模型在测试时计算上的偏差进行对照分析，揭示了推理收益并非模型无关。
消融的用途也在扩展。T2-z: Test-Time Optimization of Environment Latents for Robotic World Models 在机器人世界模型上对测试时优化的各环节做了拆解验证；SkillScaffold: Scaffolding Agentic Reinforcement Learning with Policy-Adaptive Skill Credit Assignment and Selective Injection 则通过消融证明技能信用分配与选择性注入两个模块各自的必要性，而不是只报告端到端结果。
当前焦点与观察点
围绕 Ablations，目前讨论集中在三个层面。其一是“够不够多”：越来越多工作采用多组消融组合，例如 Waypoint-OPD: Transferring RL-Induced Policy Shifts via Gated On-Policy Distillation 对门控蒸馏机制做了逐项关闭实验，DoubtLess: Training-Free Contrastive Decoding for Efficient Reasoning 在免训练对比解码设置下对比了多种解码变体。
其二是消融能否被复现与审计。在 Output Discipline Sets the Floor: A Falsification-Guided, Model-Agnostic Agent Protocol for Auditable Hypothesis-Driven Decision Making 这类工作中，作者强调可审计的假设驱动决策流程，这与社区对消融结果透明度、可证伪性的呼声一致。
其三是消融范围的问题。随着多智能体系统兴起，如 Learning Self-Orchestration in Decentralized Agent Swarms，以及跨模态蒸馏工作如 Distilling Routed 3D Privilege for Spatial Reasoning in Vision-Language Models，单变量消融已难以覆盖交互效应，如何设计系统性消融方案成为观察重点。总体来看，Ablations 正从论文的“例行公事”演变为衡量研究严谨性的关键证据链，其设计质量越来越直接影响成果被接受的程度。