IXThinker·2025-04-27 17:40

清華交大研究：強化學習未必賦予模型新推理力

可驗證獎勵強化學習（RLVR）被視為打造自我進化大模型的關鍵技術，支撐起OpenAI o系列與DeepSeek-R1等推理模型的突破。然而清華大學與上海交通大學的最新研究提出挑戰：RLVR可能只是提升採樣效率，並未真正教會模型新知識。

技術背景

以推理能力為核心的大語言模型已成主流，OpenAI o系列、DeepSeek-R1等在數學、編程等複雜邏輯問題上表現突出。相比依賴人工標注的指令微調，關鍵突破來自可驗證獎勵強化學習（RLVR），讓模型循可驗證的獎勵信號自我改進。