IRDS：基于验证器耦合稀疏自编码器覆盖的可解释 RLVR 数据选择

可验证奖励强化学习（RLVR）是增强大语言模型推理能力的关键技术，但其数据效率低下仍是主要瓶颈。现有方法在子集覆盖、验证信号利用或可解释性方面存在缺失。为此，本文提出 IRDS，基于稀疏自编码器（SAE）聚类选择训练实例，确保选择过程针对可识别的问题模式且可审计。通过引入验证器耦合的覆盖目标并采用贪婪对数行列式最大化求解，筛选出模型既失败又能从中学习的实例。实验表明，IRDS 在多个数学推理基准上取得了最高准确率，显著优于基线方法，同时计算成本降低一个数量级。