对此，来自南方科技大学、阿伯丁大学、穆罕默德·本·扎耶德人工智能大学、华东师范大学的研究团队对这一过程进行了深度拆解。 研究团队发现，虚假的RLVR并不是漫无目的地强化，而是激活了模型内部的 记忆捷径 （Memorization Shortcuts） ，唤醒了潜伏在参数深 处的隐性记忆。 南科大&阿伯丁大学 投稿 量子位 | 公众号 QbitAI 无需真实奖励，哪怕用随机、错误的信号进行训练，大模型准确率也能大幅提升？ 此前，学术界已经发现了一个令人困惑的现象：像Qwen2.5这样的模型，即使在 RLVR （带验证奖励的强化学习） 过程中给予 虚假奖励 （Spurious Rewards） ，它在对应测试集上的准确率依然能神奇地大幅提升，并通过一系列实验实锤了模型在"背题"： 实际是模型在训练 时就存在不同程度的数据泄露 。 然而，先前的工作并没有揭示模型在训练前后的深层次变化， 背后的微观机制仍是一个黑盒 ：虚假的奖励信号，究竟是如何精准地影响了模 型内部的深层记忆？ 这意味着什么？正常情况下，如果模型真的在学习推理能力，它应该对整个问答流程都变得更加"自信"。 但实际情况是： 模型牺牲了对输入问题的一般语 ...