从知识到验证：探索知识密集型领域中 LLM 的 RLVR

可验证奖励的强化学习（RLVR）在提升大语言模型数学与编码推理能力方面潜力巨大，但因缺乏高质量可验证数据，其在知识密集型领域的应用尚未得到有效探索。此外，现有 RLVR 仅关注最终答案正确性，导致推理缺陷和奖励信号稀疏。本文提出“从知识到验证”（K2V）框架，通过自动化合成可验证数据将 RLVR 扩展至知识密集型领域，并实现对 LLM 推理过程的验证。实验表明，K2V 显著增强了模型在该领域的推理能力，且未明显损害其通用能力。