検証可能な報酬による強化学習（RLVR）(RLVR)

学習された選好モデルではなく、数学の答えが正解と一致するかやコードがテストを通過するかといった、自動的に検証できる報酬に対して強化学習で推論モデルを訓練する。報酬が最終的な正しさのみを評価するため、教師ありの根拠なしに、バックトラッキングや自己検証を伴う長い思考の連鎖が創発する。これは人間やAIの選好を最適化するRLHF、RLAIF、DPOとは異なる。