MagicBeanStalk算法逃离RLVR零优势陷阱

发生了什么

据arXiv cs.AI论文，研究提出MagicBeanStalk算法，通过递归数据合成解决RLVR训练中的零优势陷阱。现有开源数学语料库中约88%的问题在每次 rollout 中要么全对要么全错，缺乏学习信号。该算法将种子问题分解并递归合成为策略和预算校准的新问题。在8个数学基准测试中，该方法使gpt-oss-120b性能提升8.6分（至69.8），DeepSeek v4Flash提升5.4分（至77.9）。在金融领域，合成1.4万个问题后，SecQue和FinanceBench分别提升6.9和2.4分。