arXiv cs.LG· Zongye Lyu·2026-10-16 12:00· 18 天前精选AI 评分71

论文解析 RLVR 域外性能提升中有多少仅源于答案格式变化

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

AI 导读

研究表明基于可验证奖励强化学习（RLVR）报告的跨领域得分提升很大程度源于答案格式而非解题能力。在 4 组 7B SimpleRL 模型上，公开答案抽取器报告的域外多选题涨幅有 82% 在能兼顾正文答案的新抽取器下消失，本质是强化学习使模型学会把答案放进 `\boxed{}` 框内。

推荐理由

论文揭示了强化学习评测中答案抽取器造成的格式假象，为检验模型真实跨领域泛化能力提供了直接的复核方法。

来源：arXiv cs.LG · arxiv.org