docs: 25.2 标题统一为假性收益，修正附录 A 的交叉引用

Author: sanbuphy

docs/.vitepress/config.mjs

@@ -1338,7 +1338,7 @@ const zhSidebar = {
               link: '/chapter30_alignment_failures/classical-failures'
             },
             {
-              text: '25.2 RLVR 的假性提升',
+              text: '25.2 RLVR 的假性收益',
               link: '/chapter30_alignment_failures/modern-incidents'
             },
             {

docs/appendix_gpu_hours/gpu-hours-estimation.md

@@ -293,5 +293,5 @@ Qwen3 tech report 描述了复杂的 4 阶段后训练（含冷启动、RL、合
 下一步建议：
 
 - **做入门实验**：参考 [附录 D 代码速查](../appendix_code_cheatsheet/sft-kl) 中的 GRPO/DPO 代码，在单卡上跑一遍。
-- **规划中型实验**：参考 [附录 B 工程实践](../appendix_industrial_training/training-debugging) 中的分布式训练与监控章节。
+- **规划中型实验**：参考 [附录 A.1 训练跑偏](../appendix_industrial_training/training-debugging) 中的诊断顺序与排查清单。
 - **阅读前沿论文的成本披露**：在 [附录 F](../appendix_paper_reading/learning-resources) 的 tech report 中寻找训练细节。

docs/chapter18_grpo/rl-environments.md

@@ -492,7 +492,7 @@ AReaL 论文报告，在 agentic 任务上对 Llama-3-8B 训练：
 - 极长任务（> 1 小时）：异步是唯一可行方案
   :::
 
-更深入的工程细节见[附录 B.1：RL 训练系统](../appendix_industrial_training/rl-infrastructure)。
+更深入的工程细节见[附录 A.2 轨迹生成与策略更新](../appendix_industrial_training/rl-infrastructure)。
 
 ## 评测基准
 

docs/chapter22_agentic/industrial-evaluation.md

@@ -1015,7 +1015,7 @@ FRONTEND_HACKING_RULES = [
 
 2. **构造任务。** 简单任务可以用 TaskCraft 式的自动化方法生成，中等难度任务用 Evol-Instruct 的进化操作逐步提升复杂度，困难任务用 HardGen 从失败 case 中反向合成。复杂任务也可以从真实用户需求中提取。每个任务标注验证类型：有确定答案的用精确匹配，可执行的用沙箱验证，开放式的用 JADE 式的动态 Rubric。
 
-3. **去污染。** 确保评测集中的任务没有出现在训练数据中。可以用 n-gram 重叠或语义相似度检测泄露。这一步和[附录 B 的去污染方法](/appendix_industrial_training/evaluation-badcase)一致。
+3. **去污染。** 确保评测集中的任务没有出现在训练数据中。可以用 n-gram 重叠或语义相似度检测泄露。这一步和[附录 A.4 的去污染方法](/appendix_industrial_training/evaluation-badcase)一致。
 
 4. **用 ABC 清单审查。** 检查任务是否有歧义，评测方法是否高估或低估 Agent 能力，是否存在可以被钻空子的漏洞。
 
@@ -1167,7 +1167,7 @@ $$
 
 **回归验证。** 重新跑 SWE-bench，确认两件事：通过率是否提升（预期从 35% 上升），之前通过的 case 是否退步。
 
-这个闭环和[附录 B 的评测体系](/appendix_industrial_training/evaluation-badcase)一脉相承，只是从 LLM 评测扩展到了 Agent 评测。Agent 评测的特殊之处在于需要管理沙箱环境和工具执行状态，Pipeline 的工程复杂度更高。
+这个闭环和[附录 A.4 的评测体系](/appendix_industrial_training/evaluation-badcase)一脉相承，只是从 LLM 评测扩展到了 Agent 评测。Agent 评测的特殊之处在于需要管理沙箱环境和工具执行状态，Pipeline 的工程复杂度更高。
 
 <details>
 <summary>思考题：如果你的 Agent 在 BFCL 上得了 95 分，但在 SWE-bench 上只有 15%，这说明什么？</summary>

docs/chapter24_deep_research/browser-rl-harness.md

@@ -394,7 +394,7 @@ Tongyi DeepResearch 的数据合成管线 [^tongyi_dr] 是其核心创新之一
 
 ## 第五层：先定义“好的研究”
 
-> 本节聚焦 Deep Research 场景特有的评估维度。更广泛的 Agentic 评测体系（包括工具调用、端到端任务、综合能力的 benchmark 全景和评测系统搭建）见 [附录 A.4：评测基准](../appendix_industrial_training/evaluation-badcase)。
+> 本节聚焦 Deep Research 场景特有的评估维度。更广泛的 Agentic 评测体系（包括工具调用、端到端任务、综合能力的 benchmark 全景和评测系统搭建）见 [附录 A.4 评估模型改进](../appendix_industrial_training/evaluation-badcase)。
 
 Deep Research Agent 的"好"远不止是最终答案的正确性。一个优秀的 Deep Research 结果需要同时满足四个层次：
 

docs/chapter30_alignment_failures/modern-incidents.md

@@ -1,4 +1,4 @@
-# 25.2 RLVR 的假性提升
+# 25.2 RLVR 的假性收益
 
 MATH-500 是从公开数学竞赛题中整理出的 500 道测试题。每道题都有可以自动核对的最终答案，因此常被用来观察数学推理模型的表现。
 

docs/chapter30_alignment_failures/rl-evaluation.md

@@ -556,7 +556,7 @@ RL 评估方法论的核心原则：
 4. **保留独立测试**：训练奖励、开发集和最终报告集彼此隔离
 5. **版本化 Harness**：记录代码、任务、依赖、随机种子和推理预算
 
-AI R&D 自动化评测说明，模型已经能够参与部分训练优化和控制任务；具体结论取决于 Harness、资源限制和评分方式。接下来可进入[附录 A.2 训练系统底座](../appendix_industrial_training/rl-infrastructure)，了解如何在大规模集群上运行这些 RL 实验。
+AI R&D 自动化评测说明，模型已经能够参与部分训练优化和控制任务；具体结论取决于 Harness、资源限制和评分方式。接下来可进入[附录 A.2 轨迹生成与策略更新](../appendix_industrial_training/rl-infrastructure)，了解如何在大规模集群上运行这些 RL 实验。
 
 ## 延伸阅读