可验证奖励强化学习（RLVR）

RLVR（Reinforcement Learning from Verifiable Rewards，可验证奖励强化学习）是一种强化学习训练方法：在数学、编程等“答案有明确对错”的任务上，用自动化的验证方式（如比对最终答案、运行单元测试）来判断模型输出是否正确，并把“对不对”作为训练信号，引导模型学出更强的推理能力。

核心思想

• 传统强化学习依赖人类或奖励模型打分，成本高、主观性强
• RLVR 只用在“结果可验证”的任务上：对就是对、错就是错，无需人评

工作方式 1. 让模型针对数学题或编程题生成解答 2. 用答案比对、单元测试等方式自动判定对错 3. 正确的回答给正奖励，错误的给负奖励 4. 用这些信号强化模型，让“想对了”的行为被保留下来

典型应用 DeepSeek-R1 在训练中大量使用 RLVR，让模型在数学、代码等任务上自发涌现出更长的推理链和更缜密的思考，是 2025 年推理模型热潮的代表性技术。

局限与趋势 RLVR 只适用于“结果可验证”的任务，主观类任务仍依赖其他对齐方法。2026 年的趋势是把 RLVR 与奖励模型、人工反馈结合，向更复杂的任务（如代码仓库级开发）扩展。