Flat-RLVR：面向 LLM 推理能力的锐度感知可验证奖励强化学习

Flat-RLVR 通过锐度感知最小化在 LLM 后训练中寻找平坦奖励区域，以缓解 RLVR（尤其是 GRPO）带来的分布锐化问题。该方法在理论上将平坦奖励 RLVR 与分布锐化减弱相关联，实验显示采样多样性提升的同时保持单次尝试准确率。Flat-RLVR 可与 GRPO 变体结合，在采样效率与推理能力之间取得更好权衡。