# Çalışma: RLVR’nin alan dışı kazanımlarının çoğu biçimlendirmeden kaynaklanıyor

> Tarafsız bir çıkarıcıyla yeniden puanlama yapıldığında bildirilen artışın %82’si kayboluyor; bu da kazanımın biçimlendirmeden kaynaklandığını gösteriyor.

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

Zongye Lyu ve çalışma arkadaşları, doğrulanabilir ödüllerle pekiştirmeli öğrenmeyi (RLVR) inceledi. Dört yayımlanmış model çifti üzerinden, 7 milyar parametreli temel bir modeli RL ile eğitilmiş sürümüyle karşılaştırdılar. Yanıtları \boxed{} etiketi içinde arayan kendi çıkarıcılarını kullandıklarında, kamuya açık çıkarıcıların bildirdiği alan dışı çoktan seçmeli performans artışının %82’sinin ortadan kalktığını gördüler. Kazanımın büyük kısmı, modelin daha iyi yanıt vermesinden değil, yanıtını kutunun içine yerleştirmesinden kaynaklanıyordu.

## Gerçekler

- Yeni çıkarıcı kullanıldığında bildirilen kazanımın %82’si ortadan kalkıyor
- Çalışma 2026-10-16 tarihinde yayımlandı

## Neden önemli

Bu bulgu, RLVR’nin sağladığı öne sürülen performans artışlarının gerçek akıl yürütme gelişmelerinden değil, yanıtların nasıl ayrıştırıldığından kaynaklanan yanılsamalar olabileceğini gösteriyor.

## Kaynaklar ve referanslar

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

Son güncelleme: 2026-10-16