可驗證回饋（RLVR）

深度分析

AGPO：以負向主導的群體政策優化重塑可驗證回饋（RLVR）的推理覆蓋

可驗證回饋的強化學習（RLVR）在提升大型語言模型解題能力上有明顯成效，但研究指出常伴隨思考邊界收縮，使大樣本覆蓋率下降。