Abstain-R1：基于可验证强化学习的校准性拒绝与拒答后澄清

强化微调虽提升了大语言模型的推理能力，但也诱使其对不可回答问题进行猜测或幻觉。现有拒绝方法要么生成通用拒答，要么鼓励后续澄清却未验证其有效性。本文提出一种感知澄清的 RLVR 奖励机制，在奖励可回答问题正确作答的同时，联合优化对不可回答问题的明确拒绝及语义对齐的拒答后澄清。基于此训练的 3B 模型 Abstain-R1，在保持可回答问题高性能的同时，显著提升了拒绝与澄清能力，表现媲美更大规模模型。