论文研究大语言模型采用可验证奖励强化学习微调后的泛化能力，针对参数高效RLVR提出首个亿级参数规模的非平凡泛化界。方法结合PAC-Bayes压缩界、Gumbel-max重参数化与Progressive RLVR，在数学、编程、常识推理和Text-to-SQL四类任务上验证，模型保留标准LoRA微调84%至97%的性能，同时压缩性提升14,796倍。
最近 24 小时暂无可用热度快照。