同一道选择题，AI 原本写“正确答案是 B”，训练后改写成“答案是 \boxed{B}”。答案没变，但只认方框的评分程序会把前者判错、后者判对。Zongye Lyu 的研究借此追问：RLVR——用程序核对答案并奖励模型的强化学习——在数学训练后展现的跨领域进步，究竟有多少是真学会了新本事。
作者重新读取已生成的回答，用同一套答案提取器同时识别方框和正文。在一个 ARC-Challenge 实验中，原提取器给出的提升是 30.6 个百分点，重评后只剩 9.8 个百分点。汇总四组 7B SimpleRL 基础模型与 RL 模型，在 MMLU、MMLU-Pro 和 ARC-Challenge 上，原先报告的跨域选择题增益有 82% 消失；独立 LLM 阅读器估得 77%。说白了，RL 很大程度上教会模型把答案搬到评分程序最爱看的位置。
这不等于 RLVR 没有迁移能力：一组采用另一训练方案的 32B 模型几乎没有这种格式增益。论文也未复现各模型发布时的原始评测，因此更稳妥的结论是，跨域分数不仅属于模型，也部分属于读取答案的程序。