**从RLVR到RLSVR：任务转换实现开放式LLM自改进的可验证奖励**

_From RLVR to RLSVR: Task Transformation Induces Self-Verifiable Rewards for Open-Ended LLM Self-Improvement_

> HuggingFace Daily Papers 社区热门论文提出RLSVR（自可验证奖励强化学习）框架，通过任务转换将开放式任务转化为可自动产生奖励信号的验证代理环境。研究以SpyRL多智能体自对弈环境为例，受谁是卧底游戏启发，智能体接收不对称信息并完成相同任务，通过投票识别间谍获得完全可验证的奖励。实验表明，SpyRL在文本摘要、创意写作和数学推理等任务上优于现有自改进方法，成功将可扩展的RLVR自改进扩展到原本不可验证的开放式领域。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-08-03 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2607.23802)