RLVRの推論汎化課題と協調学習による解決策を指摘
arXivは2026年11月2日(現地時間)、Ziqi Pang (Ziqi Pang)氏らが執筆した論文「Not All Reasoning Generalizes: A Case Study on Learning Generalizable Reasoning Strategies in RLVR」を発表した。この研究は、検証可能な報酬による強化学習 (RLVR) が大規模言語モデル (LLM) の推論汎化能力を向上させる方法を探求し、分布外 (OOD) シフト下でモデルが正しい推論戦略を放棄し、精度が急落する「微妙な失敗」を明らかにした。さらに、全単射逆変換タスクとの共同学習がこの問題を緩和する有効な手段であることを示している。