20260514:增加新内容

concepts/rlvr-unified-framework.md

@@ -0,0 +1,26 @@
+---
+title: RLVR 统一理论框架
+created: 2025-04-15
+updated: 2026-05-01
+type: concept
+tags: []
+sources: []
+---
+
+# RLVR 统一理论框架
+
+**URLVR 的统一数学框架**，由 He et al. (ICLR 2026) 建立，从 KL 正则化 RL 目标推导出所有内在方法的收敛行为。
+
+## 核心结论
+
+无论奖励函数具体设计如何，内在 URLVR 的最优策略闭式解统一为：
+
+$$\pi_\theta^*(y|x) = \frac{1}{Z(x)} \pi_{ref}(y|x) \exp\left(\frac{1}{\beta}r(x,y)\right)$$
+
+这揭示了所有方法本质上都在做「锐化初始分布」。
+
+## 相关概念
+
+- [[intrinsic-rewards-sharpening]] — Sharpening 机制
+- [[unsupervised-rlvr]] — URLVR 全景
+- [[he-urlvr-sharpening-2026]] — 综述参考