# 研究发现：RLVR的域外提升大多来自答案格式变化

> 改用中立的答案提取器重新评分后，报告中的提升有82%消失，说明这主要是格式变化带来的效果。

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

Zongye Lyu及其同事研究了可验证奖励强化学习（RLVR）。他们在四组已公开发布的模型配对上，对比了一个70亿参数的基础模型及其经过RL训练的版本。研究人员使用自建的答案提取器，从\boxed{}标签中识别答案后发现，公开提取器报告的域外多项选择题成绩提升中，有82%不复存在。大部分提升并非模型答得更好，而是它开始把答案放进方框标签里。

## 事实

- 使用新提取器后，报告中的提升有82%消失
- 研究于2026-10-16发布

## 为什么重要

这表明，RLVR带来的性能提升可能只是答案解析方式造成的假象，并不代表推理能力真的提高。

## 来源与参考

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

最后更新: 2026-10-16