基于可验证奖励的强化学习（RLVR）(RLVR)

使用强化学习针对可自动校验的奖励来训练推理模型，例如数学答案是否与标准答案一致或代码是否通过测试，而非针对学习得到的偏好模型。由于奖励只评估最终的正确性，因此无需有监督的推理依据，便会涌现出带有回溯和自我验证的长思维链。这与优化人类或AI偏好的RLHF、RLAIF和DPO不同。