研究者追溯 RLVR 源流：本质就是 RL，概念早已有之

AI 研究者近期围绕工具使用与可验证奖励强化学习（RLVR）的概念史展开讨论。lateinteraction 认为 RLVR 本质上就是 RL，真正奇怪的反而是 RLHF 这一精致变体，并指出 STaR 在其后很快出现；他还发现「让 LLM 自训练使用工具和搜索」的思路远早于 2021 年，LaMDA 论文在 2022 年就已顺带提及。soldni 则回应称，想法本身确实早已存在，但文献中似乎还没有像工具使用那样广泛可用的已知配方。

2026-10-15 ~ 2026-10-15 · 3 条相关

• 工具使用概念比想象更老：LaMDA 论文 2022 年就已顺带提及 — soldni · 2026-10-15
• lateinteraction：RLVR 就是 RL，奇怪的其实是 RLHF — lateinteraction · 2026-10-15
• 研究者争论:RLVR 算不算 RL,STaR 之后可验证奖励早有脉络 — soldni · 2026-10-15