# RLVR 在科学领域可能格外不灵光

> 原标题：RLVR 可能在科学领域格外糟糕

- 来源：AI HOT 精选
- 发布时间：2026-05-16T19:00:59.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/21754
- 原文：https://www.dwarkesh.com/p/rlvr-might-be-disproportionately

## 摘要

Dwarkesh Patel 聊了一个很要命的问题：用 RLVR（靠可验证奖励信号做强化学习）去搞科学发现，可能比我们想的难得多。文章没给实验数据，纯靠科学史案例来推演。核心矛盾是，科学理论的验证周期动不动就是几十年甚至上百年，而且当时看起来更准的模型，未必是更对的理论。

## 推荐理由

Dwarkesh Patel 提出，用可验证奖励信号做强化学习的思路在科学发现上可能格外难成立，因为科学理论的验证周期常达几十年甚至上百年，当时更准的模型未必更对。

## 锐评

RLVR 在科学上不灵光这个判断我信，问题出在奖励信号本身。科学史上当时更准的模型未必更对，这句话反过来看就是 RLVR 的奖励函数在拟合当下的数据，而科学要的是几十年后才被证明对的东西。拿一个短期可验证的分数去训，训出来的只会是更会过 benchmark 的模型。Dwarkesh 这篇没实验数据，纯推演，但方向对。真要在科学上用 RL，得先想清楚奖励从哪来。
