RLVR: وقتی بازخورد ریاضی جای سلیقهی انسان را گرفت

سالها آموزش مدلهای زبانی روی «سلیقه» میچرخید: انسان پاسخها را رتبهبندی میکرد و مدل همان سلیقه را تقلید میکرد. نسل استدلالی این چرخه را شکست: RLVR (یادگیری تقویتی با بازخورد قابلتأیید) بهجای قضاوت انسانی، پاسخ را خودش چک میکند — جواب ریاضی با پاسخنامه، کد با اجرای تست، منطق با اثبات. سیگنالِ درست/غلط، بیهیچ انسانِ درمیانه، هزاران بار در ثانیه.
چرا این یک جهش بود؟ چون سیگنالِ ماشینی هم ارزان است و هم بینهایت. مدل میتواند میلیونها مسئله بسازد، حل کند و خودش تصحیح کند — سقفی که مدلهای مبتنی بر سلیقه به آن میخوردند کنار رفت: استدلالِ زنجیرهایِ واقعی یاد گرفته شد، نه تقلیدِ ظاهرِ آن. نتیجه در معیارهای سنجش آشکار است: ریاضیِ المپیاد و کدنویسی رقابتی جایی بود که RLVR بیشترین ضربه را زد.
اما RLVR یک استعارهی بیصدا هم دارد: هرچه آموزش بیشتر به پاسخِ قابلتأیید اتکا کند، حوزههای بدون جوابِ روشن عقب میمانند. نوشتنِ خلاّق، قضاوتِ محصولی، طراحیِ رابط، خلاصهسازیِ انسانیمَسلک — اینها «پاسخنامه» ندارند. الگوی عملی ۲۰۲۶ دوتایی شده: برای وظیفهی قابلتأیید، زورِ RLVR؛ برای بقیه، هنوز انسان و بازخوردِ انسانی. هنگام انتخاب مدل برای کسبوکار، بپرسید: سنجهی موفقیتِ وظیفهام ماشینی است یا انسانی؟ جدول مدلهای سایت دقیقاً برای همین پرسش ساخته شده.