# Studie: RLVR:s vinster utanför träningsområdet beror oftast på formatering

> När svaren poängsattes på nytt med en neutral extraktor försvann 82 % av den rapporterade förbättringen – en effekt av formateringen.

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

Forskarna Zongye Lyu och hans kollegor undersökte förstärkningsinlärning med verifierbara belöningar (RLVR). De jämförde en grundmodell med 7 miljarder parametrar med den RL-tränade versionen i fyra publicerade modellpar. Med en egen extraktor som letar efter svar inom taggen \boxed{} fann de att 82 % av den förbättring utanför träningsområdet på flervalsfrågor, som uppmätts med offentliga extraktorer, försvann. Förbättringen berodde till största delen på att modellen började placera svaret i rutan, inte på att den blev bättre på att svara.

## Fakta

- 82 % av den rapporterade förbättringen försvinner när den nya extraktorn används
- Studien publicerades 2026-10-16

## Varför det spelar roll

Studien visar att påstådda prestandaförbättringar från RLVR kan bero på hur svaren tolkas, snarare än på verkliga förbättringar av resonemangsförmågan.

## Källor och referenser

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

Senast uppdaterad: 2026-10-16