# Исследование: большая часть эффекта RLVR связана с форматом ответа

> При повторной оценке с нейтральным извлекателем исчезли 82% заявленного прироста — значит, дело было в формате ответа.

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

Исследователи Зонгъе Лю и его коллеги изучили обучение с подкреплением на проверяемых вознаграждениях (RLVR). Они сравнили базовую модель с 7 миллиардами параметров и её версию, обученную с помощью RL, на четырёх опубликованных парах моделей. Используя собственный извлекатель, который ищет ответы внутри тега \boxed{}, исследователи обнаружили, что 82% заявленного общедоступными извлекателями прироста на тестах с вопросами из нескольких вариантов ответа, не входивших в обучающую выборку, исчезают. В основном модель просто стала помещать ответ в рамку, а не отвечать лучше.

## Факты

- При использовании нового извлекателя исчезают 82% заявленного прироста
- Исследование опубликовано 2026-10-16

## Почему это важно

Исследование показывает, что заявленный рост эффективности RLVR может быть следствием способа извлечения ответов, а не реального улучшения способности рассуждать.

## Источники и ссылки

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

Обновлено: 2026-10-16