论文研究 RLVR 后训练中的语言漂移现象

论文发现 LLM 推理模型在 RLVR 后训练过程中，其思维链（CoT）会出现语言漂移：使用异常、非标准甚至看似无意义的语言。这种漂移已被广泛记录，并可能损害 CoT 的可监控性，但其成因此前一直缺乏理解。