论文揭示 RLVR 仅优化答案路径

研究人员发布论文《RLVR Sharpens the Pencil, Not the Mind》，研究显示 RLVR 仅优化 OLMo-2-1B 答案路径而非推理知识。数据显示，模型在 GSM8K 首次尝试准确率从 58.0% 升至 61.3%，但 256 次采样的解题覆盖率仅微增至 96.9%。内部探针检测推理错误的 AUROC 保持在 0.798 至 0.840 之间，显示模型未建立更清晰的错误表征。仅在最终答案 token 处探针达到 0.93 AUROC，证实 RLVR 改变的是答案选择偏好。该论文于 2026 年 11 月 2 日首发，最新报道时间为 11 月 3 日。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。