درس الباحثون زونغيه ليو وزملاؤه التعلّم المعزّز ذي المكافآت القابلة للتحقق (RLVR). وقارنوا نموذجًا أساسيًا يحوي 7 مليارات مُعامل بنسخته المدرّبة بتقنية RL، عبر أربع مجموعات من النماذج المتاحة. واستخدموا أداة استخراج خاصة بهم تبحث عن الإجابات داخل وسم \boxed{}، فوجدوا أن 82% من التحسن المُعلن في أسئلة الاختيار من متعدد خارج نطاق التدريب، وفق أدوات الاستخراج العامة، قد اختفى. ويُعزى معظم المكسب إلى أن النموذج صار يضع إجابته داخل المربع، لا إلى تحسّن قدرته على الإجابة.
لماذا يهم
تشير الدراسة إلى أن مكاسب الأداء المنسوبة إلى RLVR قد تكون ناتجة عن طريقة تحليل الإجابات، لا عن تحسّن حقيقي في الاستدلال.
