Волшебство: сбежать из ловушки нулевого риска RLVR с рекурентным синтезом данных
arXiv: 2610.12659v1 Вид уведомления: новое резюме. Вместе с тем размер одного корпуса не определяет, является ли набор данных полезным сигналом для обучения в рамках целевой политики. В качестве руководства для обобщения эффективных данных РЛВР мы экспериментально характеризуем эффективность набора данных в зависимости от его проблем, целевой политики и бюджета на организацию профессиональной подготовки. При такой характеристике мы показываем, что большой открытый набор данных из широко используемых наборов данных РЛВР почти полностью укладывается в ловушку с нулевым преимуществом: для фиксированной целевой политики и бюджета внедрения примерно 88% его проблем решаются при каждом запуске или проваливаются во всех запусках. Фильтрация концентрирует то, что осталось, но она может только выбирать, избавляясь от сложных проблем. Поэтому для решения этих сложных проблем эффективные синтетические проблемы должны быть связаны с проведением логичных операций и составлением композиций. И все же их трудности должны быть
