RL 是推理神器？清华上交大最新研究指出：RL 让大模型更会 「套公式」，却不会真推理
仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
基座模型天花板，困住强化学习。
来源：Al科技评论
作者：郑佳美、梁丙鉴
编辑：马晓宁
清华和上交的最新论文中，上演了一场“学术打假”的戏码。文中研究者们对当前“纯RL有利于提升模型推理能力”的主流观点提出了相反的意见。
通过一系列实验，他们证明引入强化学习的模型在某些任务中的表现，竟然不如未使用强化学习的模型。
论文批判性地探讨了RLVR在提升LLM推理能力方面的作用，尤其是在赋予模型超越自身原有能力方面，效果可能并非像人们普遍认为的那样“无懈可击”。
消息一出，网友们纷纷下场站队。
有人认为这篇文章抓住了RL自身的漏洞，虽然提高了采样效率，但它似乎在推理方面存在不足，未来我们需要新的方法来释放LLM的全部潜力。
也有人表示，或许强化学习实际上限制了模型开发新推理行为的能力。真正的推理增强可能需要蒸馏等方法。
质疑声之外，RL的追随者也在为“信仰”发声：这种说法是错的，验证远比生成简单的多。
也有网友表示，这更像是奖励结构的缺陷，而非RLVR本身的问题。如果用二元奖励结构，出现这种情况可以理解。但我们可以调整奖励结构来缓解这个问题，甚至还能激励更好的推理。
1
强化学习：擅长加速，不擅长开路
实验中，研究人员在三个具有代表性的领域进行了实验，来评估RLVR对基础模型和RLVR模型的推理能力边界的影响。
在数学任务实验中，研究团队在GSM8K、MATH500和AIME24等基准上评估了多个大语言模型系列（如Qwen-2.5和LLaMA-3.1）及其经过RL训练的变体。他们通过分析pass@k曲线，比较了基础模型与RL模型的表现，发现虽然RL在低k值下提升了模型的准确性，但在高k情况下却显著降低了问题的覆盖范围。
此外，研究者还手动审查了模型生成的CoT（ChainofThought）推理过程，以确认正确答案是推理得出而非纯属运气。最后，他们还研究了采用Oat-Zero方法训练的模型，并对数据集进行了过滤，剔除容易猜测的问题，从而聚焦于更具挑战性的样本。
整体结果显示，尽管RL能在初始准确率上带来提升，基础模型在推理覆盖率方面仍表现更为稳健。
结果显示，RLVR提升了单样本pass@1的分数，但在较高采样数（k=128）时，模型的覆盖率有所下降。与此相比，原始模型在较大k值下表现出了持续改进的潜力，而RLVR的性能则趋于平稳。这表明，尽管RLVR提高了模型的确定性准确性，但在探索多样性方面存在一定的限制。
在视觉推理实验中，研究团队在过滤后的视觉推理基准（MathVista和MathVision）上评估了Qwen-2.5-VL-7B，删除了多项选择题，聚焦于稳健的问题解决能力。RLVR在视觉推理任务中的表现提升与数学和编码基准中的改进相一致，表明原始模型已能够解决广泛的问题，即便是在多模态任务中也同样如此。
跨领域的一致性表明，RLVR提升了模型的推理能力，同时并未从根本上改变模型的问题解决策略。
2
推理能力的边界
使用单次通过的成功率或平均核采样衡量模型推理能力边界的传统指标存在重要缺陷。如果模型在少数几次尝试后未能解决难题，但却本可以通过更多次的采样获得成功，此时其真实推理潜力可能会被低估。
如果为基础模型投入大量采样资源，它的性能能否与经过强化学习训练的模型相匹配？
为精准评估大语言模型的推理能力边界，研究团队将代码生成领域常用的pass@k指标拓展至所有可验证奖励的任务。针对一个问题，从模型中采样k个输出，若至少一个样本通过验证，该问题的pass@k值为1，否则为0。数据集上的平均pass@k值反映了模型在k次试验内可解决的数据集问题比例，能严格评估LLM的推理能力覆盖范围。
直接按问题采样k个输出计算pass@k可能导致高方差。他们采用无偏估计法，对评估数据集D中的每个问题生成n个样本（n≥k），统计正确样本数。对于使用编译器和预定义单元测试用例作为验证器的编码任务，pass@k值能准确反映模型是否能解决问题。
然而，随着k增大，数学问题中“黑客”行为可能凸显，即模型可能生成错误的推理过程，却在多次采样中偶然得出正确答案，这一情况常被以往指标忽视。为此，他们筛选出易被“黑客”攻克的问题，并手动检查部分模型输出的CoT正确性。结合这些措施，他们严格评估了LLM的推理能力极限。
3
当强化学习不再“强化”
清华与上交的这篇论文，为当前业界广泛推崇的强化学习范式敲响了警钟。让我们不得不重新思考强化学习在大模型训练流程中的真正角色。
我们也不能将模型的“能力”与“效率”混为一谈。能力，指的是模型是否拥有解决某类问题的潜质与逻辑链条；效率，则是在给定的能力范围内，模型能以多快、多稳、多省资源的方式得出答案。
强化学习或许确实能够提升模型在已有能力基础上的输出表现（比如在低采样次数下更快给出正确答案），但这并不代表它为模型带来了新的推理路径或更复杂问题的解决能力。相反，在高采样场景中，RL带来的“收敛性”可能牺牲了答案的多样性，从而错失了解决更多难题的机会。
强化学习更像是一种能力调控器，而非能力创造器。它可以让模型更擅长做已经能做的事，但难以让模型做出“原本不会的事”。正因如此，若将RL简单视为提升模型通用智能的万能钥匙，未免过于乐观。接下来的技术路线，可能需要更多关注基础模型在表示能力、知识组织与推理路径构建等方面的设计，而非过度依赖下游的策略微调。
总的来说，这项研究的意义不在于“RL无用”的结论，而在于它揭示了在过热预期背后，强化学习真正适用的边界。这或许会促使研究者和企业在制定大模型优化方案时，回归问题本质，用更清晰的标准衡量“能力的提升”究竟意味着什么。
参考链接：
https ://arxiv.org/pdf/2504.13837
https ://x.com/iScienceLuvr/status/1914171319970848942
https ://limit-of-rlvr.github.io/
阅读最新前沿科技趋势报告，请访问欧米伽研究所的“未来知识库”
https ://wx.zsxq.com/group/454854145828
未来知识库是“欧米伽未来研究所”建立的在线知识库平台，收藏的资料范围包括人工智能、脑科学、互联网、超级智能，数智大脑、能源、军事、经济、人类风险等等领域的前沿进展与未来趋势。目前拥有超过8000篇重要资料。每周更新不少于100篇世界范围最新研究资料。欢迎扫描二维码或访问https ://wx.zsxq.com/group/454854145828进入。
截止到3月31日”未来知识库”精选的百部前沿科技趋势报告
（加入未来知识库，全部资料免费阅读和下载）
牛津未来研究院《将人工智能安全视为全球公共产品的影响、挑战与研究重点》
麦肯锡：超级智能机构：赋能人们释放人工智能的全部潜力
AAAI2025关于人工智能研究未来研究报告
斯坦福：2025斯坦福新兴技术评论：十项关键技术及其政策影响分析报告（191页）
壳牌：2025能源安全远景报告：能源与人工智能（57页）
盖洛普&牛津幸福研究中心：2025年世界幸福报告（260页）
Schwab：2025未来共生：以集体社会创新破解重大社会挑战研究报告（36页）
IMD：2024年全球数字竞争力排名报告：跨越数字鸿沟人才培养与数字法治是关键（214页）
DS系列专题：DeepSeek技术溯源及前沿探索，50页ppt
联合国人居署：2024全球城市负责任人工智能评估报告：利用AI构建以人为本的智慧城市（86页）
TechUK：2025全球复杂多变背景下的英国科技产业：战略韧性与增长路径研究报告（52页）
NAVEXGlobal：2024年十大风险与合规趋势报告（42页）
《具身物理交互在机器人-机器人及机器人-人协作中的应用》122页
2025-2035年人形机器人发展趋势报告53页
EvaluatePharma：2024年全球生物制药行业展望报告：增长驱动力分析（29页）
【AAAI2025教程】基础模型与具身智能体的交汇，350页ppt
Tracxn：2025全球飞行汽车行业市场研究报告（45页）
谷歌：2024人工智能短跑选手（AISprinters）：捕捉新兴市场AI经济机遇报告（39页）
【斯坦福博士论文】构建类人化具身智能体：从人类行为中学习
《基于传感器的机器学习车辆分类》最新170页
美国安全与新兴技术中心：2025CSET对美国人工智能行动计划的建议（18页）
罗兰贝格：2024人形机器人的崛起：从科幻到现实：如何参与潜在变革研究报告（11页）
兰德公司：2025从研究到现实：NHS的研究和创新是实现十年计划的关键报告（209页）
康桥汇世（CambridgeAssociates）：2025年全球经济展望报告（44页）
国际能源署：2025迈向核能新时代
麦肯锡：人工智能现状，组织如何重塑自身以获取价值
威立（Wiley）：2025全球科研人员人工智能研究报告（38页）
牛津经济研究院：2025TikTok对美国就业的量化影响研究报告：470万岗位（14页）
国际能源署（IEA）：能效2024研究报告（127页）
Workday：2025发挥人类潜能：人工智能（AI）技能革命研究报告（20页）
CertiK：Hack3D：2024年Web3.0安全报告（28页）
世界经济论坛：工业制造中的前沿技术：人工智能代理的崛起》报告
迈向推理时代：大型语言模型的长链推理研究综述
波士顿咨询：2025亚太地区生成式AI的崛起研究报告：从技术追赶者到全球领导者的跨越（15页）
安联（Allianz）：2025新势力崛起：全球芯片战争与半导体产业格局重构研究报告（33页）
IMT：2025具身智能（EmbodiedAI）概念、核心要素及未来进展：趋势与挑战研究报告（25页）
IEEE：2025具身智能（EmbodiedAI）综述：从模拟器到研究任务的调查分析报告（15页）
CCAV：2025当AI接管方向盘：自动驾驶场景下的人机交互认知重构、变革及对策研究报告（124页）
《强化学习自我博弈方法在兵棋推演分析与开发中的应用》最新132页
《面向科学发现的智能体人工智能：进展、挑战与未来方向综述》
全国机器人标准化技术委员会：人形机器人标准化白皮书（2024版）（96页）
美国国家科学委员会（NSB）：2024年研究与发展-美国趋势及国际比较（51页）
艾昆纬（IQVIA）：2025骨科手术机器人技术的崛起白皮书：创新及未来方向（17页）
NPL&Beauhurst：2025英国量子产业洞察报告：私人和公共投资的作用（25页）
IEAPVPS：2024光伏系统经济与技术关键绩效指标（KPI）使用最佳实践指南（65页）
AGI智能时代：2025让DeepSeek更有趣更有深度的思考研究分析报告（24页）
2025军事领域人工智能应用场景、国内外军事人工智能发展现状及未来趋势分析报告（37页）
华为：2025鸿蒙生态应用开发白皮书（133页
《超级智能战略研究报告》
中美技术差距分析报告2025
欧洲量子产业联盟（QuIC）：2024年全球量子技术专利态势分析白皮书（34页）
美国能源部：2021超级高铁技术（Hyperloop）对电网和交通能源的影响研究报告（60页）
罗马大学：2025超级高铁（Hyperloop）：第五种新型交通方式-技术研发进展、优势及局限性研究报告（72页）
兰德公司：2025灾难性网络风险保险研究报告：市场趋势与政策选择（93页）
GTI：2024先进感知技术白皮书（36页）
AAAI：2025人工智能研究的未来报告：17大关键议题（88页）
安联Allianz2025新势力崛起全球芯片战争与半导体产业格局重构研究报告
威达信：2025全球洪水风险研究报告：现状、趋势及应对措施（22页）
兰德公司：迈向人工智能治理研究报告：2024EqualAI峰会洞察及建议（19页）
哈佛商业评论：2025人工智能时代下的现代软件开发实践报告（12页）
德安华：全球航空航天、国防及政府服务研究报告：2024年回顾及2025年展望（27页）
奥雅纳：2024塑造超级高铁（Hyperloop）的未来：监管如何推动发展与创新研究报告（28页）
HSOAC：2025美国新兴技术与风险评估报告：太空领域和关键基础设施（24页）
Dealroom：2025欧洲经济与科技创新发展态势、挑战及策略研究报告（76页）
《无人机辅助的天空地一体化网络：学习算法技术综述》
谷歌云（GoogleCloud）：2025年AI商业趋势白皮书（49页）
《新兴技术与风险分析：太空领域与关键基础设施》最新报告
150页！《DeepSeek大模型生态报告》
军事人工智能行业研究报告：技术奇点驱动应用加速智能化重塑现代战争形态-250309（40页）
真格基金：2024美国独角兽观察报告（56页）
璞跃（PlugandPlay）：2025未来商业研究报告：六大趋势分析（67页）
国际电工委员会（IEC）：2025智能水电技术与市场展望报告（90页）
RWS：2025智驭AI冲击波：人机协作的未来研究报告（39页）
国际电工委员会（IEC）：2025智能水电技术与市场展望报告（90页）
RWS：2025智驭AI冲击波：人机协作的未来研究报告（39页）
未来今日研究所2025年科技趋势报告第18版1000页
模拟真实世界：多模态生成模型的统一综述
中国信息协会低空经济分会：低空经济发展报告（2024-2025）（117页）
浙江大学：2025语言解码双生花：人类经验与AI算法的镜像之旅（42页）
人形机器人行业：由“外”到“内”智能革命-250306（51页）
大成：2025年全球人工智能趋势报告：关键法律问题（28页）
北京大学：2025年DeepSeek原理和落地应用报告（57页）
欧盟委员会人工智能与未来工作研究报告
加州大学伯克利分校：面向科学发现的多模态基础模型：在化学、材料和生物学中的应用
电子行业：从柔性传感到人形机器人触觉革命-250226（35页）
RT轨道交通：2024年中国城市轨道交通市场数据报告（188页）
FastMoss：2024年度TikTok生态发展白皮书（122页）
CheckPoint：2025年网络安全报告-主要威胁、新兴趋势和CISO建议（57页）
【AAAI2025教程】评估大型语言模型：挑战与方法，199页ppt
《21世纪美国的主导地位：核聚变》最新报告
沃尔特基金会（VoltaFoundation）：2024年全球电池行业年度报告（518页）
斯坦福：2025斯坦福新兴技术评论：十项关键技术及其政策影响分析报告（191页）
国际科学理事会：2025为人工智能做好国家研究生态系统的准备-2025年战略与进展报告（英文版）（118页）
光子盒：2025全球量子计算产业发展展望报告（184页）
奥纬论坛：2025塑造未来的城市研究报告：全球1500个城市的商业吸引力指数排名（124页）
FutureMatters：2024新兴技术与经济韧性：日本未来发展路径前瞻报告（17页）
《人类与人工智能协作的科学与艺术》284页博士论文
《论多智能体决策的复杂性：从博弈学习到部分监控》115页
《2025年技术展望》56页slides
大语言模型在多智能体自动驾驶系统中的应用：近期进展综述
【牛津大学博士论文】不确定性量化与因果考量在非策略决策制定中的应用
皮尤研究中心：2024美国民众对气候变化及应对政策的态度调研报告：气候政策对美国经济影响的多元观点审视（28页）
空间计算行业深度：发展趋势、关键技术、行业应用及相关公司深度梳理-250224（33页）
Gartner：2025网络安全中的AI：明确战略方向研究报告（16页）
北京大学：2025年DeepSeek系列报告-提示词工程和落地场景（86页）
北京大学：2025年DeepSeek系列报告-DeepSeek与AIGC应用（99页）
CIC工信安全：2024全球人工智能立法的主要模式、各国实践及发展趋势研究报告（42页）
中科闻歌：2025年人工智能技术发展与应用探索报告（61页）
AGI智能时代：2025年Grok-3大模型：技术突破与未来展望报告（28页）
上下滑动查看更多
