研究表明，强化学习与可验证奖励（RLVR）并未提升大型语言模型（LLMs）的推理能力，而是优化了其采样行为。尽管RLVR训练的模型在单次回答中表现更佳，但在多次尝试中，基础模型的成功率更高。这表明RLVR并未创造新的推理模式，而是提高了已有推理路径的效率。