验证器困在 ZFC 里：RLVR 可能造不出超人类定理证明器

Liu_eroteme · x · 2026-09-29

一场关于 RLVR（可验证奖励强化学习）能力上限的讨论：发帖人认为预训练和后训练都有天花板——后训练只能逼近「外部验证器所能验证的最优策略」，因此模型最终会是「在所有任务上等于或略优于最强人类」，而难以达到超人类。

在后续技术交锋中他进一步论证：如果验证器本身就是 ZFC 集合论的一个子集，那么对独立于 ZFC 的定理，RLVR 无法给出证明或否证的奖励信号——在策略梯度层面，这类问题与「不可能」无法区分。核心论点：RLVR 的上限被验证器的表达能力锁死，数学超人类智能不能仅靠 RLVR 途径达成。