Model dostaje nagrodę na podstawie automatycznie weryfikowalnego sygnału — np. poprawności wyniku, przejścia testów kodu lub spełnienia sprawdzalnego warunku — zamiast polegać wyłącznie na wyuczonym modelu preferencji. RLVR jest ważnym podejściem do post-treningu modeli rozumujących, szczególnie w domenach z jednoznaczną weryfikacją.
The model receives reward from an automatically verifiable signal — such as answer correctness, passing code tests, or satisfying a checkable condition — rather than relying only on a learned preference model. RLVR is an important post-training approach for reasoning models, especially in domains with unambiguous verification.
To uczenie modelu przez nagradzanie odpowiedzi, których poprawność da się automatycznie sprawdzić.
This trains a model by rewarding answers whose correctness can be checked automatically.
Przekonujący styl nie mówi, czy obliczenie lub program faktycznie działa poprawnie.
A convincing style does not tell you whether a calculation or program actually works correctly.
Model próbuje rozwiązań, a test lub jednoznaczny warunek wyznacza nagrodę, która wpływa na kolejne aktualizacje jego ustawień.
A model attempts solutions, while a test or definite condition determines the reward that influences subsequent parameter updates.
Podczas treningu model pisze mały program, a nagrodę otrzymuje za przejście przygotowanych testów działania.
During training, a model writes a small program and receives a reward for passing prepared functional tests.