研究揭示RLHF在跨域泛化中优于RLVR

2026年10月27日，arXiv预印本发布一项关于强化学习跨域泛化机制的研究。 该研究解耦了提示来源与奖励类型的影响，发现开放域提示结合奖励模型的RLHF能显著提升对话、推理及编程能力。相比之下，基于规则验证器的RLVR虽能改善推理，但在开放域对话上的增益远低于RLHF，表明跨域泛化更依赖奖励机制。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。