RL如何重塑大模型推理：迁移性、覆盖度与缩放律
原文标题：How RL Reshapes LLM Reasoning: Transferability, Coverage, and Scaling Laws
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。
一篇新 arXiv 论文系统研究强化学习对 LLM 推理能力的影响，试图解释此前看似矛盾的证据：数学训练能提升其他领域表现，但 Pass@1 提升的同时 Pass@N 可能低于基座模型。作者在 Qwen 与 Gemma 系列上验证了跨域增益与遗忘并存、大采样预算下覆盖度有增有减的现象，并提出两阶段自回归策略模型，将「策略选择」与「具体执行」分离，从理论上证明 RL 的隐式偏置会重塑策略偏好，进而影响跨域迁移、推理覆盖度与算力缩放。
- 问题
- 强化学习究竟扩展还是仅重排 LLM 的推理空间，此前证据相互矛盾。
- 方法
- 在 Qwen 与 Gemma 上复现跨域增益与遗忘现象，分析解轨迹后提出两阶段自回归策略模型，把策略选择与具体执行分离，并理论证明 RL 隐式偏置如何重塑策略偏好。
- 结果
- 未给出量化结果。
- 影响
- 为 RL 后训练的跨域迁移、Pass@N 覆盖度下降和算力缩放提供统一解释，指导工程师判断该不该用 RL 及如何设采样预算。
深读 · 结论先行AI 生成展开看要点与影响 ↓
论文解释 RL 推理的矛盾证据：Pass@1 涨但 Pass@N 可能低于基座，源于策略偏好被重塑。
- •在 Qwen 与 Gemma 系列上验证跨域增益与遗忘并存，大采样预算下覆盖度有增有减
- •分析 RL 前后解答轨迹，发现模型使用的推理策略发生转移
- •提出两阶段自回归策略模型，将策略选择与具体执行分离
- •证明 RL 隐式偏置重塑策略偏好，可在不扩展策略支撑集的情况下改变覆盖度，并为 log-sigmoid 与 log-linear 缩放律提供理论依据
为什么重要：直接回应「RL 是扩展还是重加权推理边界」这一争议，影响对 RL 训练收益与采样预算的评估方式。
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。