RLVR 中自我一致性激发与奖励设计的预注册因果划分

本文指出，基于可验证奖励的强化学习（RLVR）即使在奖励信号虚假时也能提升推理能力。作者证明常用评估指标存在系统性偏差，混淆了“自我一致性激发”与真实的“奖励设计”效应。通过理论推导与受控实验，论文提出了精确的因果分解框架，量化了两者贡献。重审现有研究发现，部分成果主要由自我一致性主导而非奖励设计。该研究为对齐领域提供了重要的诊断工具与方法论。