在可验证奖励强化学习中用合成增强替代人工策展

针对智能体语言模型在可验证奖励强化学习（RLVR）中高质量训练任务稀缺的瓶颈，本文研究了使用预定义且经门控过滤的合成增强任务来替代额外的人工策展。通过控制实验量化了合成任务与人工任务之间的成本调整交换率，并分析了全流程经济性。结果表明，在涵盖代码、指令遵循、推理及多轮函数调用的基准测试中，使用增强内容替代人工任务仍能保持整体的泛化能力，证明了该方法的可行性与经济效益。