RLVR (apprentissage par renforcement à récompenses vérifiables)

Pour certaines tâches, la qualité d’une réponse peut être contrôlée par programme : le code passe-t-il les tests, le résultat final du calcul est-il le bon ? Le RLVR exploite ce signal objectif. Le modèle tente de nombreuses solutions, et celles qui aboutissent au bon résultat sont renforcées. Cette approche est au cœur de l’entraînement des modèles de raisonnement, qui apprennent ainsi à produire de longues réflexions, à vérifier leurs étapes et à corriger leurs erreurs. Elle s’applique toutefois mal aux tâches sans réponse vérifiable, comme l’écriture créative, et le modèle peut exploiter les failles du vérificateur, par exemple des tests trop permissifs.