以编程方式测试可验证的输出。 示例：像 1 + 1 = 2 这样的算术问题。 优点 可验证。 成本低，可规模化。 一致性强：可多次运行。 易于理解。 数据集现成可用，且可迭代改进质量。 缺点 许多通用问题无法转化为可验证的格式。 如果数据集是公开的，可能会被污染。 格式建议 对于某些 LLM，输出可能需要附加系统提示词。需要识别出哪些模型需要这样做。 对于某些 LLM，遵循用户与助手的对话模板可能会有所帮助。