RLVR 通常指 Reinforcement Learning with Verifiable Rewards，也就是“带可验证奖励的强化学习”。它最近会比 RLHF 更常被提起，核心原因不是 RLHF 失效了，而是推理模型兴起后，很多任务开始可以用“答案对不对”来直接打分，而不用全靠人类偏好做反馈。
它和 RLHF 的差别在哪
RLHF 更像让人类告诉模型“这个回答更好”；RLVR 更像给模型一道能验算的题，答对就加分，答错就减分。前者适合开放式对话、风格、帮助性；后者更适合数学、代码、逻辑推理、格式化任务这类能明确验证结果的场景。
| 维度 | RLHF | RLVR |
|---|---|---|
| 奖励来源 | 人类偏好 | 可验证结果 |
| 更适合 | 开放式回答与对话体验 | 推理、代码、数学、规则型任务 |
| 成本特点 | 标注成本高 | 验证器设计更关键 |
为什么现在它特别热
- 推理模型越来越强调“做题能力”和中间步骤稳定性，RLVR 和这类目标天然更贴近。
- 只要任务存在明确判分方式，RLVR 往往比纯人工偏好更可扩展。
- 很多团队都在找“怎样让模型在逻辑和解题上更稳”的方法，RLVR 正好踩中这个需求。
但 RLVR 也不是万能的。它最怕的是任务根本没有清晰验证标准，或者验证器本身有漏洞。换句话说，它不是要替代 RLHF，而是更适合那批“答案能验”的任务。也正因为如此，推理模型越热，RLVR 这个词就越常被提到。
