# RLVRの領域外性能向上、82％は回答形式の影響と判明

> 中立的な抽出器で採点し直すと、報告されていた性能向上の82％が消失。回答形式による効果だったことが示された。

Oossa · 2026-10-16 · https://oossa.com/ja/study-finds-most-rlvr-out-of-domain-gains-come-from-answer-formatting

Zongye Lyu氏らの研究チームは、検証可能な報酬を用いる強化学習（RLVR）を調査した。公開されている4組のモデルについて、70億パラメーターのベースモデルと、そのモデルをRLで学習させたバージョンを比較した。\boxed{}タグ内の回答を探す独自の抽出器を使ったところ、公開されている抽出器で報告された領域外の選択式問題の性能向上のうち82％が消失した。向上の大半は、モデルがより正しく答えるようになったのではなく、回答をボックス内に移したことによるものだった。

## 事実

- 新しい抽出器を使うと、報告されていた性能向上の82％が消失する
- 研究は2026-10-16に公開された

## なぜ重要か

RLVRによる性能向上とされるものは、推論能力の実質的な改善ではなく、回答の解析方法による見かけ上の効果かもしれないことを示している。

## 出典と参考資料

1. [Same Answer, New Box: How Much of RLVR's Out-of-Domain Gain Is Answer Format?](https://arxiv.org/abs/2610.20639) – arXiv cs.LG, 2026-10-16

最終更新: 2026-10-16