虚假奖励信号显著提升Qwen模型性能，数学推理能力增益达25%，颠覆传统RLVR认知

华盛顿大学研究发现，即使使用虚假或随机奖励信号，Qwen2.5-Math模型在RLVR训练下仍能显著提升数学推理性能，MATH-500准确率提升约25%。研究表明，性能提升源于激活预训练中的代码推理能力，而非奖励信号正确性。然而，该现象仅适用于Qwen系列模型，其他模型表现平平甚至下降。研究提示，未来RLVR研究需关注跨模型验证，避免单一模型导向。
来源：https://mp.weixin.qq.com/s/J54SU9M-h8v2Mz2AJdXJXA