RLVR(verifiable rewardsによる強化学習)
結果が条件を満たしたかを機械的に確かめられる「検証可能なごほうび」を使って進める強化学習のやり方。主観的な採点に頼りにくい。
たとえば: 正解かどうか自動判定できるクイズで練習して、正解したら加点される学習。
AIによる解説です。正確さは、別のAIで照合していますが、誤りが含まれる可能性があります。
この言葉が出てくる記事
- RLVRは道具的行動を一様に増やすのか:OLMo-3の中間チェックポイント追跡から
OLMo-3をInstrumentalEvalで評価し、RLVR中の中間チェックポイントを含む軌跡として道具的行動率を分析。7Bでは一時的に上昇後、最終ではSFTを下回った。プロンプトのフレーミング要因だけでは説明しきれないと報告する。
