跳到正文
arXiv · ML· Zongye Lyu·· 2026-10-16AI 评分35

RLVR 的域外增益有多少来自答案格式?

Same Answer, New Box: How Much of RLVR's Out-of-Domain Gain Is Answer Format?

AI 导读

研究指出,RLVR 报告的域外增益中 82% 源于模型将答案移至提取器优先读取的 \boxed{} 格式,而非回答质量提升。 使用自有提取器重新评分 7B SimpleRL 模型对,发现基础模型多在正文陈述答案,RL 训练仅改变其位置。

来源:arXiv · ML · arxiv.org