研究称 88% RLVR 数据陷入零优势陷阱，递归合成可破解

arXiv 上发布的新论文《MagicBeanStalk》由 Ximing Lu、Aviral Kumar、Jan Kautz、Yejin Choi 等研究者合作完成。研究发现 RLVR（强化学习与可验证奖励）训练数据中高达 88% 陷入“零优势陷阱”，即无法为模型提供有效学习信号。论文提出递归数据合成方法，可以生成真正对 RLVR 训练有用的合成数据，实验显示该方法带来 8.6 分的显著提升。

2026-10-15 ~ 2026-10-15 · 2 条相关

• RLVR 数据 88% 陷入零优势陷阱，MagicBeanStalk 递归合成破解 — stanfordnlp · 2026-10-15

另有 1 条近重复转述:Lianhuiq