强化学习与可验证奖励（Reinforcement Learning with Verifiable Rewards, RLVR）近期在提升大语言模型（Large Language Models, LLMs）的推理能力方面展现出显著成效，尤其在数学求解和编程任务中表现突出。人们普遍认为，正如传统强化学习能够帮助智能体探索并习得新策略一样，RLVR 使 LLMs 能够持续自我优化，从而获得超越其基础模型（base model）能力范围的新型推理能力。在本研究中，我们通过系统性地探究 RLVR 训练的 LLMs 在多种模型架构、强化学习算法以及数学、编程和视觉推理基准上的推理能力边界，对当前 RLVR 的发展状态进行了批判性审视。我们采用在较大 $k$k 值下的 pass@k 作为评估指标。尽管 RLVR 能够提升模型向正确解路径的采样效率，但令人意外的是，当前的训练方法并未激发根本性的新型推理模式。我们发现，虽然在较小的 $k$k 值下（如 $k=1$k=1），RLVR 训练的模型优于其基础模型，但当 $k$k 增大时，基础模型反而取得了更高的 pass@k 分数。此外，我们观察到，随着 RLVR 训练的推进，LLM 的推理能力边界往往反而收窄。进一步的覆盖度（coverage）与困惑度（perplexity）分析表明，RLVR 模型生成的推理路径早已包含在基础模型的采样分布之中，说明其推理能力源于基础模型，并且受到该基础模型的严格限制。从这一视角出发，将基础模型视为能力上限，我们的定量分析显示，六种主流的 RLVR 算法表现相近，且在充分挖掘基础模型潜力方面仍相去甚远。相比之下，我们发现知识蒸馏（distillation）能够从教师模型中引入全新的推理模式，真正拓展模型的推理能力。综上所述，我们的研究结果表明，当前的 RLVR 方法尚未充分实现强化学习在激发 LLMs 真正新型推理能力方面的潜力。这凸显了对更优强化学习范式（如持续扩展与多轮次智能体-环境交互）的迫切需求，以真正释放这一潜力。