数据中心化的 RLVR 扩展主要依赖收集或生成可验证的训练题目，但仅靠语料规模并不能保证对目标策略提供有效学习信号。我们通过实验把数据集有效性建模为题目集合、目标策略和训练 rollout 预算的函数。实验表明，常用的开源数学语料库在固定策略和预算下约有 88% 的题目要么在每次 rollout 中全部解出，要么全部失败，形成了几乎完整的零优势陷阱。过滤可以集中剩余的有效样本，却只能保留容易的题目，硬题被全部剔除。有效的合成题目必须包含解决硬题所需的推理操作和组合，同时难度要校准，使得部分 rollout 成功、部分失败，并且至少有一个正确解在预算内。直接让教师模型生成更难的题目并不能满足这些条件。基于上述经验，我们提出 MagicBeanStalk——一种自上而下拆解、 自下而上递归合成的算法。它以少量种子题目为蓝本，递归生成同构的题目族，保持种子题目的推理蓝图，并根据目标策略和预算自动校准难度。实验在 8 项数学基准上进行：在 16K token 预算下，持续 RLVR 训练使 gpt-oss-120b 的得分从 61.2 提升至 69.8（+8.6），DeepSeek v4Flash 从 72.4 提升至 77.9（+5.4）。相比之下，使用完整的 78K 源语料仅提升 +1.1，最佳过滤后的真实数据子集提升 +5.8。金融领域我们仅用 340 条解答合成出 14K 条可验证题目，使 SecQue 提升 6.9 分，FinanceBench 提升 2.4 分。
点评