AI 学会推理后，换道题仍可能失效

11 月 2 日公布的研究用字符串方程任务观察 RLVR 训练后的推理策略。模型在训练分布内能够逐步推导，但当答案长度或解的数量变化时，可能放弃已学策略，退回无效的暴力枚举。

作者发现，混入一类可逆任务共同训练，有助于恢复推导能力和分布外准确率。研究关注的是策略能否迁移，而不只是训练题的最终得分。

来源：arXiv · 2611.03627。