RLVR导致解法模式坍缩，提出ModeBench与Re:Max
Get the story
2026年10月9日，arXiv Machine Learning Theory（一手）发表论文，研究RLVR后训练中的解法模式坍缩问题。论文提出ModeBench基准，可同时返回正确性与所发现的解法模式，用于测量RLVR后训练中的解法多样性。结果显示，RLVR后训练会把概率集中到更少的正确模式上，即使准确率保持或提升，前沿模型也已高度集中。为此论文提出Re:Max方法，在回放缓冲区中为每个已发现模式存储一个已验证样本并均匀训练，在三个模型规模、两种RL目标与更难任务构造上同时提升策略成功率与成功方式数量。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Machine Learning TheoryRLVR 中解法模式坍缩的测量与缓解
论文提出 ModeBench，一个同时返回正确性与所发现解法模式的基准，用于测量 RLVR 后训练中的解法多样性。结果显示 RLVR 后训练会把概率集中到更少的正确模式上，即使准确率保持或提升，前沿模型也已高度集中；为此提出 Re:Max，在回放缓冲区中为每个已发现模式存储一个已验证样本并均匀训练，在三个模型规模、两种 RL 目标与更难任务构造上同时提升策略成功率与成功方式数量。
Heat trend
Current heat 9·Comparable peak 10（Oct 9）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.