贪婪准确率曲线持续上升，单样本正确概率增加三倍，这些数字让团队以为RLVR训练大获成功。然而对同一检查点进行64次采样后，pass@64从0.83暴跌到0.19。相同的模型权重，却因观察角度不同得出了完全相反的评价。 这个案例直接戳破了当前AI基准测试中最常见的误区：把局部优化当作……

阅读全文