RLVR²：基于可验证评分标准排序的强化学习

针对多维度评分标准下 RLVR 的分数聚合问题，研究者提出 RLVR²，将各评分标准的分数转为组内序数结果，从比较矩阵中恢复潜在效用并合并为单一训练信号，避免校准异质评分尺度。该方法在 3 种模型规模和 16 个 benchmark 上均优于代表性 rubric 基线，多数 benchmark 上取得最佳整体表现，并能控制推理效率与回答格式相关的系统性影响。