演讲主题

可验证奖励强化学习（RLVR）：业界经验、面临问题及发展方向

自DeepSeek-R1发布以来，可验证奖励强化学习（RLVR）已成为推动大模型发展的核心引擎，它利用数学答案正确性等客观可验证信号优化模型推理性能，推动AI从“主观对齐”迈向“客观正确”。然而，RLVR研究的爆炸式增长也带来了技术选型的困惑，众多改进方案使研发人员难以权衡利弊。本次分享将首先梳理近期学界与业界的实践经验，比如On-Policy与Off-Policy策略的选型以及各类RL方法的关联与适用场景等；其次分析当前RLVR研发中存在的冗余研究、训练稳定性不足等存在的问题；最后展望其未来发展方向，如将RL拓展至智能体行动优化、Rubric Reward设计等前沿领域，为开发者提供清晰的技术选型框架。 大纲： 一.RLVR简介 二.RLVR业界经验 三.RLVR面临问题 四.RLVR未来发展方向