強化学習による検証可能な報酬（RLVR）は、大規模言語モデル（LLM）の推論能力を向上させるための強力な枠組みとして注目を集めています。既存の研究は、数学的問題解決、コード生成、論理的推論などの単一の推論領域に主に焦点を当てています。しかし、現実世界の推論シナリオは、複数の認知スキルを統合的に適用する必要があるのが本質です。このような現実性を踏まえても、強化学習下におけるこれらの推論スキルの相互作用は依然として十分に理解されていません。このギャップを埋めるために、本研究ではRLVRフレームワーク内で多領域推論について体系的な調査を行います。特に、数学的推論、コード生成、論理パズル解決という3つの主要な領域に注目します。本研究は以下の4つの主要な構成要素から成ります。(1) GRPOアルゴリズムとQwen-2.5-7Bモデル群を活用し、単一領域データセットで訓練したモデルの領域内改善効果および領域間汎化能力を詳細に評価します。(2) さらに、複数領域を組み合わせて訓練する際に生じる、相互的な強化や衝突といった複雑な相互作用を検討します。(3) SFTのRLへの影響をより深く理解するため、同一のRL設定下でベースモデルとインストラクトモデルの性能差を分析し比較します。(4) また、強化学習の訓練において重要な要素であるカリキュラム学習戦略や報酬設計の変化、言語特有の要因の影響を体系的に探求します。膨大な実験を通じて得られた結果は、領域間のダイナミクスに関する重要な知見を提供し、専門的および汎化可能な推論性能に影響を与える主要な要因を明らかにしています。これらの知見は、LLMにおける包括的で多領域にわたる推論能力を育成するためのRL手法の最適化に、貴重な指針を提供します。