RLVR 每 10 倍算力换 3 倍 token 效率,新模型提升疑集中在数学域

tobyordoxford · x · 2026-09-14

牛津大学哲学家 Toby Ord 回复 Ramez Naam：他此前观察到的经验法则是，RLVR（可验证奖励强化学习）的算力每提升 10 倍，达到同等水准所需的 token 数约减少 3 倍（附论文链接）。

Ramez 回应称模型间的跨越式进步相当于 2-3 个数量级的 token 提升，并猜测这个新模型在形式数学上做了大量 RL 训练，认为具体收益可能局限于数学领域，「我们迟早会知道」。两人对最新模型的能力跃升是否具有跨领域泛化性持审慎态度。