标签
本文发现，在四组 7B SimpleRL 模型对中，所报告的 RLVR 在域外多项选择题上的性能提升，有 82% 是由仅识别 \\boxed{} 中答案的答案提取器造成的假象。这意味着，强化学习主要是教会模型将答案放入框中，而非真正提升其推理能力。