研究称 RLVR 微调致解空间坍缩，Replay 缓冲可保多样性

Manoel Ribeiro 团队（Liv Daliberti 领衔）发布 ModeBench 基准，揭示当前 RLVR 微调的系统性缺陷：训练早期遇到的答案被持续强化，形成

2026-10-15 ~ 2026-10-15 · 2 条相关

• RLVR 微调致解空间坍缩，加入 replay 缓冲可保多样性并提升 pass@8 — manoelribeiro · 2026-10-15
• ModeBench 揭示 RLVR 让 LLM 只会一种解法，Re:Max 训练法可保解法多样性 — manoelribeiro · 2026-10-15