待验证50% 置信观点精确时间
RLVR的泛化不能仅靠扩大训练分布，推理策略的稳定性需要专门设计。
1
来源数
50%
置信度
长期有效
时效性
2026/11/3
首次发现
来源
RLVR泛化困境：推理策略为何在OOD下失效
rss2026/11/2
涉及实体
相关事实
待验证强化学习训练比监督学习更不稳定，将NVFP4激进量化引入RL训练会进一步放大固有不稳定性75% 相似待验证近期研究表明RL（尤其是RLVR）并没有给模型注入大量新知识，而更像是激发和对齐预训练阶段已具备的能力74% 相似待验证RL训练中训练端常用Megatron框架，推理端常依赖vLLM这类高吞吐引擎，两套系统在计算顺序、数值精度、舍入处理上的差异累积会影响RL稳定性73% 相似待验证FADE提供的即插即用方案无需修改现有RLVR流程，仅通过改进调度器即可获得更稳定的训练信号。73% 相似待验证与推理时对齐常被对比的训练时对齐（如 RLHF、DPO）把价值偏好直接写入权重，稳定性更强但灵活性差、且难以针对个体用户动态调整。73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1130335API
curl https://kongchang.com/api/v1/knowledge/claims/1130335MCP
get_claim(id=1130335)