当领域交互时：强化学习推理中的非对称与顺序敏感跨领域效应

组相对策略优化（GRPO）是提升大语言模型推理能力的关键技术，但其在不同领域排序策略下的表现尚不明确。本文首次系统分析了数学、科学、逻辑和谜题任务中的训练顺序效应。研究发现：单领域泛化具有高度非对称性；跨领域交互强烈依赖顺序，逆序训练会导致性能显著下降；多领域训练中无单一最优策略，顺序不当会造成巨大性能差距。结果表明，GRPO 在多领域设置下表现出显著的不对称性、顺序敏感性和策略依赖性，强调了领域感知与顺序感知训练设计的必要性。