无需真实奖励，哪怕用随机、错误的信号进行训练，大模型准确率也能大幅提升？ 此前，学术界已经发现了一个令人困惑的现象：像 Qwen2.5 这样的模型，即使在RLVR（带验证奖励的强化学习）过程中给予虚假奖励（Spurious Rewards），它在对应测试集上的准确率依然能神奇地大幅提升，并通过一系列实验实锤了模型在"背题"：实际是模型在训练时就存在不同程度的数据泄露。 然而，先前的工作并没有揭示模型在训练前后的深层次变化，背后的微观机制仍是一个黑盒：虚假的奖励信号，究竟是如何精准地影响了模型内