推文指出写作、摘要等开放任务缺少可靠验证器，学习型裁判也会失效。
推荐理由：RLVR在数学代码等可验证任务上有效，但开放生成任务缺少确定性反馈；瓶颈从强化学习算法转向可泛化、抗投机的评价信号设计。
阅读原文