研究揭示强化学习对推理模型的关键决策贡献
原文标题：What RL Brings to Reasoning: A Few Decisions the Base Model Would Not Make
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究通过对 Qwen3-4B-Base 的生成时干预，量化 RLVR 训练带来的推理增益来源。发现仅在约 4% 的生成位置借用 RL 模型的 token 即可恢复 90.5% 的 pass@1 增益，而强制以「Alright」开头可恢复 35%。结果表明开头 token 贡献有限，更大增益来自后续决策，稀疏替换还能保留基座模型的多样性。
- 问题
- RLVR 提升数学推理，但增益具体来自生成的哪些决策不清楚。
- 方法
- 在 Qwen3-4B-Base 生成时做干预，只在两模型贪心选择不同的位置借用 RL 模型 token，量化各环节贡献。
- 结果
- 约 4% 位置替换即恢复 90.5% 的 pass@1 增益；强制以「Alright」开头恢复 35%；k=256 时解出 67.5%，高于 RL 模型的 61.4%。
- 影响
- 说明 RL 增益集中在稀疏关键决策而非开头模板，提示推理模型蒸馏与解码加速可只对齐少数关键位置。
深读 · 结论先行AI 生成展开看要点与影响 ↓
仅替换约4%生成位置的token，即可恢复RLVR训练90.5%的pass@1增益
- •在Qwen3-4B-Base上做生成时干预，评测集为120道AIME题
- •只在两模型贪心选择不同的位置借用RL模型token，约占4%，恢复90.5%增益
- •强制以「Alright」开头可恢复35%增益，但后续替换再贡献5.2个百分点
- •固定规则插入「Wait」等反思词无法复现该收益
- •k=256时稀疏替换解出67.5%，高于RL模型的61.4%；但该对比是等尝试次数而非等算力
为什么重要：把RLVR的推理增益定位到少数关键决策位置，为推理模型训练与蒸馏提供了更省力的干预靶点。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。