推理已成为语言模型的重要研究领域，关于强化学习（RL）对蒸馏模型的提升效果存在争议。研究表明，RL的改进可能只是噪音，且在不同评估条件下结果不稳定。尽管某些模型有轻微改进，但通常不如监督微调有效。研究者提出了标准化评估框架，以提高结果的可重复性和严谨性。