RL aus verifizierbaren Belohnungen (RLVR)

Trainiert Reasoning-Modelle mit Reinforcement Learning anhand automatisch überprüfbarer Belohnungen (etwa ob eine mathematische Antwort mit der Ground Truth übereinstimmt oder Code seine Tests besteht) statt anhand gelernter Präferenzmodelle. Da die Belohnung nur die endgültige Korrektheit bewertet, entstehen lange Gedankenketten mit Backtracking und Selbstüberprüfung ohne überwachte Begründungen. Dies unterscheidet sich von RLHF, RLAIF und DPO, die menschliche oder KI-Präferenzen optimieren.