RLVR基于可验证奖励的强化学习

RLVR（基于可验证奖励的强化学习）是一种强化学习方法，它以数学答案是否正确、代码能否通过测试等可自动验证的结果作为奖励来训练语言模型。与依靠人类偏好评分构建奖励模型的RLHF不同，RLVR通过规则或验证器判定答案对错并给予奖励。

它主要用于数学、编程等答案可以核验的任务，以提升大语言模型的推理能力。

本条目依据AIPOST的文章与广为人知的事实整理。如有错误，请通过更正请求告诉我们。