RLSVR以任务转换产生自验证奖励，无需评判器，提升写作、摘要与推理

转推 @Benjamin_eecs: 谢谢@_akhaliq！RLVR需要验证器，但开放式任务（写作、摘要）没有验证器，学习到的评判会被博弈。受多智能体辩论启发，我们将任务变成一个规则可验证赢家的游戏：信息不对称使得一个玩家真正处于劣势，因此奖励=正确找出他们。没有评判，没有可攻击的奖励模型。提升写作、摘要和推理：))