RL 后训练如何诱导技能组合：Countdown 任务案例分析

研究通过 Countdown 任务分析 RL 后训练，发现模型习得技能组合能力，实现对更大 n 值和未见树形的分布外（OOD）泛化。 模型先掌握浅层平衡树，再掌握深层不平衡树，固定深度下右侧较重结构仍脆弱。该诊断机制揭示了标准指标 pass@k 未能反映的泛化失败点。