MagicBeanStalk：递归合成破解RLVR零优势陷阱

Ximing Lu、Aviral Kumar、Jan Kautz、Yejin Choi、David Acuna提出名为 MagicBeanStalk 的递归数据合成算法，用于为 RLVR（可验证奖励强化学习）生成新训练题。该方法通过自顶向下分解和自底向上递归合成，把种子问题扩展成保留原推理蓝图的题目家族，新题按策略和预算校准。 报道称，RLVR 训练中约 88% 的问题在每次 rollout 中要么全对、要么全错，处于“零优势”状态，无法提供有效梯度信号；MagicBeanStalk 的目标是让模型逃离这一陷阱。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。