已收录文章摘要，完整内容可前往原文阅读。
写作、摘要这类开放任务没有标准答案，强化学习很难拿到便宜、可靠的奖励。COLM 2026 论文提出 RLSVR，并设计 SpyRL：让五个模型玩一局信息不对称的“谁是卧底”，用预设身份和投票结果生成可