英文：RLVR 分类：training
基于可验证奖励的强化学习：用客观可验证的结果（数学答案、代码测试通过、事实检索）作为奖励信号，替代人类偏好打分，训练模型的推理能力（DeepSeek-R1、OpenAI o 系列的核心方法）。
奖励：规则验证（答案比对/单元测试）、LLM 评判（代码/长答案）；算法：GRPO/PPO 组内相对优势；数据：可验证任务集（数学/编程/科学问答）；效果：推理链（CoT）自我进化、错误自我修正；关键：提示多样性、奖励准确性、KL 控制。
用于推理模型训练（R1/o 系列范式）、数学与编程能力强化、Agent 任务优化（工具结果验证）与可自动评估场景的模型迭代。