虚假奖励竟能提升AI表现
虚假奖励（如随机或错误信号）竟能显著提升模型性能，尤其在Qwen-Math模型上效果突出。这一发现挑战了RL训练依赖高质量奖励信号的传统认知。
关键点在于，RLVR可能只是放大了模型预训练已有的能力（如代码推理），而非真正学习新技能。不同模型对虚假奖励的反应差异显著，说明当前结论可能仅适用于特定架构（如Qwen），缺乏普适性。
这提示研究者需警惕方法论的局限性：避免过度依赖单一模型验证RL效果，应关注预训练能力与RL训练的相互作用机制。未来需在多样化模型上测试RL方法，并深入探究奖励信号的真实作用机制。
