四个审稿人全给6分，NuerIPS唯一满分论文炸了！

之所以说它炸，主要是论文给出的结论实在太出人意料了——

真正决定推理上限的是基座模型本身而非强化学习，且蒸馏比强化学习更有望实现大模型自我进化。

好家伙，这无异于给正炙手可热的RLVR（可验证奖励的强化学习）迎面泼下一盆冷水~

RLVR，自大模型推理范式开启后就成为一众主流模型（如OpenAI-o1、DeepSeek-R1）的核心驱动力。

由于无需人工标注，通过自动验证奖励优化模型，它一度被视为实现模型自我进化、逼近更高推理能力的终极路径。

但来自清华上交的这篇论文，却让风向陡然生变——

如果进化的钥匙不在强化学习，那当前围绕RLVR的巨额投入与探索，意义何在？

真正能突破推理上限：蒸馏而非强化学习

这篇论文题目为《Does Reinforcement Learning Really Incentivize Reasoning Capacity in LLMs Beyond the Base Model? 》，“获NuerIPS唯一满分”的结论由PaperCopilot（非官方论文分析平台）统计得出。

同时它还荣获ICML 2025 AI4Math Workshop最佳论文奖，并入选NeurIPS 2025大会口头报告。

之所以提出这项研究，主要是近年来RLVR在大语言模型中被广泛应用于提升数学、编程、视觉推理等任务的表现。

随之而来的是，AI圈普遍假设——

RLVR不但能提升推理效率，还可能扩展模型的推理能力，即让模型学会底层基础模型本来不会的新推理路径。

但问题是，这一结论真的成立吗？

于是带着疑问，来自清华上交的研究团队核心想要弄清一个问题：

RLVR是否真的让大语言模型超越其“底模”推理能力边界，还是只是优化已有能力？

而通过一系列实验，团队得出以下最新结论：

• RLVR主要是在“强化”底模已有的路径，而不是“发现”底模没有的路径。
• RL训练后的模型在低采样次数（如pass@1）表现更好，但随着采样次数增加（pass@64、pass@256…），底模反而能超过RL模型，这说明底模隐藏的推理能力被低估了。
• 多种RL算法（如PPO、GRPO、Reinforce++等）在提升采样效率方面差异不大，且与“理论上底模最大能力”相比，仍有明显差距，这说明想靠RL突破底模上限还不够。
• 蒸馏方法更有可能“扩展”模型的推理能力范围，因为其接收来自教师模型的新推理模式，而RLVR更受限于底模。

换句话说，与普遍认知相反，RLVR的实际作用很可能被严重高估了。

关键评估指标：pass@k

而为了得出上述结论，他们采用了pass@k这一关键评估指标。

所谓pass@k，是指衡量一个模型在多次尝试中，至少成功一次的几率。

相比一些传统指标（如greedy decoding准确率）仅反映平均表现，它通过多轮采样揭示模型的推理边界，能更精准判断模型是否“有能力”解决问题，而非“大概率”解决问题。

具体来说，他们主要把底模、RL模型放在同一批题目上反复测试，来看模型是“真的变聪明”还是只是“更会挑答案”。

为避免实验结果的局限性，团队选取了大语言模型推理能力的三大典型应用领域，并搭配权威基准数据集，确保测试的全面性和代表性。

• 数学推理（GSM8K、MATH500等6个基准）
• 代码生成（LiveCodeBench等3个基准）
• 视觉推理（MathVista等2个基准）

模型则以主流大语言模型家族为基础，包括Qwen2.5系列（70亿、140亿、320亿参数）和LLaMA-3.1-80亿参数模型等，并构建“基础模型 vs RLVR训练模型”的对照组合。

其中RLVR训练模型是指，分别用PPO、GRPO、Reinforce++等6种主流RLVR算法训练后的版本，形成多组平行对照。这样既能对比RLVR与基础模型的差异，也能横向比较不同RLVR算法的效果。

然后就是对不同模型在各基准任务上的pass@k指标进行多维度采集与分析。

针对每个测试样本，分别让基础模型和RLVR模型进行不同次数的采样（k值从1逐步提升至1024），记录每次采样中“至少出现一个正确结果”的概率。

随后团队重点分析两个关键规律：

一是同一k值下，RLVR模型与基础模型的pass@k差异；二是随着k值增大，两类模型pass@k曲线的变化趋势。

同时，结合模型输出的推理路径困惑度分析（perplexity）、可解问题子集比对等辅助手段，最终形成对RLVR能力的全面判断。

论文作者介绍

值得一提的是，这项研究还是出自咱们国内研究人员之手。

一共8位，7位来自清华大学LeapLab，1位来自上海交通大学。

项目负责人Yang Yue (乐洋)，清华大学自动化系四年级博士生。

研究方向为强化学习、世界模型、多模态大模型和具身智能，之前曾在颜水成创办的新加坡Sea AI Lab和字节跳动 Seed团队实习过。

虽然还是学生，但发表或参与发表的多篇论文均入选顶会。这当中，他以核心作者身份发表的论文《How Far is Video Generation from World Model: A Physical Law Perspective》，因探索视频模型能否学会物理规律，还被国内外众多大佬Yan Lecun，xie saining，Kevin Murphy等转发。

另一位和他贡献相同的作者Zhiqi Chen，目前为清华大学自动化工程系大三学生。

研究方向为推理密集型大语言模型的强化学习，在校期间多次获得国家奖学金。

通讯作者Gao Huang(黄高)，清华大学自动化系副教授、博士生导师， LeapLab负责人。

他最知名的工作之一就是发表了论文《Densely Connected Convolutional Networks》，其中提出了经典卷积架构模型DenseNet。

该论文不仅荣获CVPR2017最佳论文，而且被编入多本深度学习著作，单篇引用量接近6万次。

其他作者中，来自清华的还有：

• Rui Lu(卢睿)，清华大学自动化系四年级博士生，本科毕业于姚班。
• Andrew Zhao(赵启晨)，清华大学自动化系博士生，本硕毕业于加拿大哥伦比亚大学和南加州大学。
• Shiji Song，清华大学自动化系教授，与黄高一起负责指导本项研究。
• Yang Yue (乐阳) ，和项目负责人名字同音，但由于相对低调网上暂无太多公开资料。

以及唯一来自交大的Zhaokai Wan(王肇凯)，目前是上海交通大学四年级博士生。

本科毕业于北京航空航天大学，同一时期还拿到了北大经济学学士学位，当前也在上海人工智能实验室通用视觉团队（OpenGVLab）实习。

对于这项研究，团队作者特意在论文主页强调：这并不是说强化学习无用了。实际上，它在一些低采样场景仍旧非常实用。

以及有网友发现，有意思的是，DeepSeek在一年前的一篇论文中也提到了相关现象。

……这些发现表明，强化学习通过使输出分布更加鲁棒来提升模型的整体表现，换言之，性能的提升似乎源于促进了正确答案出现在TopK结果中，而非源于基础能力的增强。

而这一次，结论被用论文完整论证了。