文章主要内容和创新点主要内容本文聚焦于强化学习（RL）微调后的大型语言模型（LLMs）及大型视觉语言模型（LVLM）在非理想场景下的推理能力。现有研究多在理想、无噪声环境中评估模型推理能力，而本文提出三个具有实际意义的非理想场景：摘要推理：基于多个可能的正确选项进行分析并聚合为单一结论；细粒度噪声抑制：检测并移除细微干扰信息；上下文过滤：排除无关上下文以维持推理准确性。研究团队采用代表性的策略梯度算法（GRPO）对3个LLM（Llama 3.1、Mistral、Qwen3）和1个LVLM（Qwen 2.5-VL）进行微调，并在8个公开数据集上测试。结果显示：RL微调在理想场景下能提升模型推理性能，但在上述三个非理想场景中性能显著下降。尽管提出了针对性补救方法（如格式奖励、示例指导），但现有方法仍无法完全解决这些推理缺陷。本文强调，大模型的推理能力常被高估，需在非理想场景下进行更全面的评估。创新点新研究方向：受脑科学启发，首次系统探究RL微调大模型在非理想场景下的推理能力，填补了现有研究空白。实证发现：通过对4个模型及其变体在8个数据集上的评估，证实RL微调模型在非理想场景下性能显著下降，与理想场景形成鲜明对比。补救策略：设计了基于“