IXThinker·2025-05-30 15:50

假獎勵訓練Qwen照升25%　RLVR認知被顛覆

華盛頓大學博士生團隊發現，可驗證獎勵強化學習（RLVR）即使使用錯誤的獎勵信號，仍能顯著提升Qwen模型在數學任務上的表現，效果與真實獎勵相差無幾，顛覆既有認知。

虛假獎勵也有效

團隊以Qwen模型（尤其是數學版本）對虛假獎勵進行RLVR訓練，MATH-500的絕對準確率仍顯著提升約25%，與使用真實獎勵的效果相若，出乎不少人意料。