硬核戳破大模型神话：它根本没变聪明

寂静回声

过去一年，全球科技界几乎被同一种狂热的论调所席卷。
从 OpenAI 的 o1 到 DeepSeek 的 R1，不少声音都在高呼：“强化学习（RL）正在让大模型实现自主进化！”
只要给大模型连上自动打分的“对错裁判”，模型就能像当年的 AlphaGo 一样，在黑暗中自我探索，顿悟出人类从未教过的高维推理逻辑，推开通用人工智能（AGI）的大门。
就在所有人都沉浸在这场狂欢中时，一盆极度冰冷、却无比严密的冷水，直接泼到了整个硅谷和 AI 圈的头顶。
在全球顶级人工智能学术会议 NeurIPS 2025 上，一篇来自清华大学 LeapLab 与上海交通大学的论文横空出世。
它在双盲同行评审中创下了一个近乎奇迹的纪录：4 位国际审稿人全部给出满分（6/6/6/6），成为当年全会唯一的“大满贯满分论文”，并一举斩获 NeurIPS 最佳论文入围奖（Runner-Up）。

这篇论文用无可辩驳的扎实验据，击穿了行业心照不宣的神话：
现在的强化学习，根本没有赋予大模型超越基座的全新推理能力。
它所做的一切，不过是把基座模型原本就会的东西，挑着练得更熟练了一点而已。

要想看懂清华这项研究的绝妙之处，我们不妨把大模型想象成两个走进考场的考生。
第一位是“野生通才”（预训练基座模型，Base Model），读完了互联网上几乎所有的人类典籍，脑子里装满了千奇百怪的知识，思维极其发散，但注意力很不集中。
第二位是“特训班考生”（经过可验证奖励强化学习训练的模型，RLVR Model），它在野生通才的基础上，被拉去刷了成千上万道数学和代码题。
做对了就奖励，做错了就惩罚。

现在，考官开始出题。
第一轮规则：每道极难的数学题，只准做一次（业内称为 pass@1）。
“特训班考生”答题又快又稳，一枪命中，得分一骑绝尘；
而“野生通才”因为经常天马行空地胡言乱语，成绩惨不忍睹。
整个 AI 圈的狂欢，正是建立在这一轮测试之上，看啊，强化学习让模型的正确率翻倍了，AI 诞生了自我进化的智能！
然而，清华团队在这个时候，不动声色地换了一把尺子。

第二轮规则：同一道题，允许两位考生各交 256 次完全独立的答卷，只要其中有一份答对，就算过关（业内称为 pass@256）。
于量不可思议的事情发生了，随着答题机会从 1 次、4 次、16 次不断放宽到 256 次，“特训班考生”的成绩很快就触碰到了天花板，后劲不足；
而原本被认为“笨拙”的“野生通才”，正确率曲线一路狂飙，最终不仅追平了特训考生，甚至在大量基准测试中实现了全面反超！
如果强化学习真的教会了模型“全新的解题逻辑”，那么给它 256 次机会，它应该能解出更多“连基座模型想破脑袋都解不出的神仙难题”。
但现实却是：只要给够尝试次数，基座模型能解出的难题，远多于强化学习模型。
测试表明，经过强化学习后的大模型，解题能力不仅没有向外扩张，它的认知边界反而收窄了！

这篇题为《Does Reinforcement Learning Really Incentivize Reasoning Capacity in LLMs Beyond the Base Model?》的论文，系统对比了当下最主流的六种强化学习变体（包括 DeepSeek 采用的 GRPO，以及 PPO、RLOO、Reinforce++ 等），横跨数学、代码与多模态三大严苛基准。
实验揭开了一个近乎残酷的真相：所谓的自我进化，本质上是一场精巧的“概率锐化”（Distribution Sharpening）与“暴力剪枝”。
在预训练阶段，基座模型就像一片浩瀚的原始森林，里面潜伏着无数条通往终点的羊肠小道。
有的路很宽（高概率），有的路被杂草覆盖、极难被踩中（低概率）。
当引入带有结果验证的强化学习（RLVR）时，算法做的事情非常简单粗暴：只要模型撞上了一条能算出正确答案的路，就拼命加大这条路径的权重；
如果算错了，就打压那些分叉
久而久之，森林里只剩下了一条被反复踩踏的高速公路。
对于普通用户来说，体验确实变好了。
问它一次，它就能走高速公路给出正确答案，单次命中率大幅提高。
但代价是极其沉重的，那些潜伏在基座深处、偶尔能通向奇迹的罕见思维路径，全被强化学习当成杂草硬生生铲掉了。

海外技术评论员 Gravix 一针见血地指出：“强化学习并没有发现新的逻辑体系，它只是把熵压缩到了预训练早已潜伏的搜索轨迹周围。”
研究团队甚至做了一组极其苛刻的语言模型困惑度（Perplexity）分析：强化学习模型写出的那套看似神奇的解题长篇大论，拿回给基座模型去打分，基座模型觉得“无比顺滑”。
模型在强化学习后展现出的解题逻辑，早在它作为基座模型出厂的那一刻，就已经潜伏在原本的分布之中。
它从来没有超常发挥，只是不敢偏离高频奖励路径了。

本篇论文的第一作者，是黄高教授的博士生乐洋（Yang Yue）。
这位青年学者此前就展现出非同寻常的“打假”定力与犀利视野。
在视频生成模型 Sora 席卷全球、全网都在狂吹“AI 已经参透物理世界、掌握了物理引擎规律”的时候，乐洋就作为核心作者发表了极具洞见的论文《How Far is Video Generation from World Model》，用严谨的数据指出主流模型对经典物理定律的理解存在系统性偏差。
那项工作当时就赢得了图灵奖得主 Yann LeCun、知名学者 Saining Xie 等国际泰斗的连声赞叹与主动转发。

既然当前的强化学习只是在基座的“存量资产”里打转，大模型到底怎样才能获得实质性的认知跃迁？
清华团队在论文中给出了一个令人深思的对照实验：知识蒸馏（Distillation）。
当他们用一个更强、认知层次更高的“教师模型”，去蒸馏指引较小的模型时，数据曲线上演了截然不同的一幕：较小模型在所有 k 值下的成绩被整体拔高了，整条曲线全面超越了原本的基座。
这项实验表明：全新的思维模式依赖外部更高维度知识结构的注入；
单靠模型对特定题目自我博弈，无法凭空拓展出未曾掌握的推理能力。

网友 Gus 提出了一个极为犀利的思考题：“一个专家发挥稳定，95% 的时间能给出正确预测；
一个普通人满嘴跑火车，但在千奇百怪的猜测里碰巧蒙全了 100% 的可能性。
我们能说后者比前者更聪明吗？”
在真实工业界的产品落地中，答案显然是否定的。
用户打开 ChatGPT，需要的是它第一次就给出靠谱答案，没有人愿意为了一个问题连续重试 256 次。
从商业与工程的角度，强化学习极大提升了模型的“可用性”与“命中效率”，其功绩毋庸置疑。
但如果关心的是科学本身，探讨人类是否已经触及具有“自主进化能力”的 AGI，那么这篇论文就是敲响在所有人耳畔的警钟：
请不要把“射击准星的校准”，误当成了“枪械威力的进化”；
更不要把“走捷径的熟练”，误当成了“人类智能的觉醒”。
科学的进步，从来不靠盲目的造神运动。
在技术狂飙突进的迷雾中，我们需要的恰恰是这样一剂刺骨而清醒的良药。
看清边界，求真务实，更有深度的科学探索才刚刚拉开序幕。