RLVRモデルのドメイン外性能、回答形式が8割超に影響か - Zongye Lyu氏が分析
Zongye Lyu (ゾンイェ・リュウ) 氏は2026年10月2日(現地時間)、arXiv cs.LGで発表した研究論文で、検証可能な報酬による強化学習 (RLVR: Reinforcement learning with verifiable rewards) が報告するドメイン外での性能向上の一部が、モデルの回答形式に起因する可能性を指摘した。特に7B SimpleRLモデルにおいて、既存の回答抽出器が報告する多肢選択式問題のドメイン外性能向上のうち82%が、回答形式の変更によるものだったという。これは、モデルが回答の質を直接的に向上させるのではなく、抽出器が探索する特定の形式に回答を配置したことによる見かけ上の改善を示唆している。