RL 过拟合模型与通用智能：同一任务的输出「质感」差异

两个模型执行同一任务时，一个明显偏向奖励模型偏好的“刷榜机器”形态，另一个则按需调用相关领域权重，输出纹理明显不同。这种对比反映了 RLHF/RLVR 后训练可能引发 benchmark 过拟合，以及通用能力与刷榜倾向之间难以直接判断的差异。