outcome-rewards

本文系统比较了小语言模型在数学推理中用于可验证奖励强化学习（RLVR）的过程奖励与结果奖励结构。研究发现，仅过程监督相比仅结果监督显著提高了准确性和推理轨迹保真度，并分析了失败模式。