本文目录
RLVR(可验证奖励的强化学习):项目背景 → 技术方案 → 数据准备 → 训练解析
本页介绍训练营项目的学习方向；完整教程与代码暂未公开。请先阅读下方对应公开教程，再按需要咨询课程安排。
用可验证信号设计强化学习奖励
RLVR(Reinforcement Learning with Verifiable Rewards)是过去一年训练侧最热的范式之一:奖励不再靠一个易被「刷分」的奖励模型，而是用可验证的信号(答案对不对、代码跑不跑得通)。
这部分计划从项目背景、技术方案、数据准备到训练评估解释 RLVR；公开前只展示内容范围。
项目背景
- RLVR 是什么
- 和 RLHF 的区别
- 适合什么任务
技术方案
- 奖励怎么「可验证」
- 整体训练范式
- 关键组件设计
数据 + 训练
- 数据怎么准备
- 训练流程解析
- 训练效果评估
复盘 + 应用
- 事实怎样留证
- 面试怎么讲
- 后续怎么扩展
学习成果
目标是讲清 RLVR 的适用条件、训练链路、验证方法与已知风险。
适合谁
想冲 RL / 训练岗、想聊点比 RLHF 更新的方向的同学
想跟着老师完成项目
需要项目实现、代码复盘和面试指导，可以了解大模型训练营的课程安排。