研究發現 RLVR 訓練可能導致聊天模型在複雜問題上盲目猜測

2026 年 11 月 5 日 08:03，DEV Community · AI 釋出報道，介紹了一項關於可驗證獎勵強化學習（RLVR）訓練的研究發現。報道摘要稱，採用 RLVR 訓練的聊天模型雖然能熟練解決熟悉的方程，但在面對更難的域外測試時會放棄結構化推理過程，轉而採用暴力猜測，導致準確率驟降，這表明該方法可能教會模型脆弱的捷徑而非持久的解題能力。正文部分則顯示，研究人員指出這種失敗並非簡單的能力缺失，但報道正文截斷，未說明後續的完整研究結論。