通过扰乱思维链构造因果奖励，使模型答案更准确且推理过程更忠实。
推荐理由：CRoS不再只奖励答案正确，而是检验思维链扰乱后答案是否随之变化，将推理与结论的因果关联纳入训练，直指RLVR可能奖励伪推理的缺陷。
阅读原文