两家店总把价格抬回高位，不一定是在“惩罚”先降价的那家，也可能只是系统像弹簧一样，无论价格被往哪边推，都会弹回原处。一项新审计因此追问：Q-learning——靠反复试错、按长期奖励调整选择的算法——学到的究竟是默契合谋，还是单纯的回稳路径？
作者复现经典的双寡头定价实验，再冻结训练后的策略、关闭继续学习。他们报告，1,024组已收敛配对中有914组只有一个覆盖全部状态的稳定落点；不只降价，强迫一方涨价也会触发类似的“价格战后回归”。更关键的是，原测试中的单期降价在92%的配对里确实不赚钱，但用动态规划算出的最优偏离，平均可多赚17.5%。
这意味着，高价均衡本身仍然存在，却不足以证明智能体学会了有威慑力的报复机制。作者的解释是：偏离之所以没发生，可能只是训练从未认真尝试过真正有利的偏离，而非偏离会被惩罚到无利可图。