研究揭示RLVR泛化失效及双射共训修复方案

2026年11月3日，arXiv发布了一篇关于RLVR（基于强化学习的推理验证）在分布外（OOD）任务中泛化失效的研究论文。该研究由Ziqi Pang等人提出，旨在通过可泛化的推理策略学习机制来激励模型在未知分布下的表现。研究发现，RLVR在处理OOD任务时，模型常因放弃推导过程而导致性能失效。 为了解决这一问题，研究团队构建了一个可控的方程求解框架，即寻找非双射字符串函数 f(x)=y 的多个输入 x。通过在该框架中共训练双射求逆任务，实验验证了此方法能够显著恢复模型在OOD场景下的精度，有效克服了原有的泛化失效问题。

AI 根据报道生成 · 55 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。