近日，NVIDIA研究团队提出了一种名为“金鹅”（Golden Goose）的创新方法，旨在解决大语言模型（LLM）强化学习领域的一个关键瓶颈。当前，基于可验证奖励的强化学习（RLVR）是解锁LLM复杂推理能力的重要基石，但其发展受限于现有可验证数据的规模不足，导致模型在长时间训练后性能提升趋于饱和。“金鹅”方法巧妙地通过一个简单的技巧，将大量原本无法直接用于RLVR训练的、富含推理过程但未经验证的互联网文本（如科学教科书），转化为可无限合成的RLVR任务。其核心在于，针对给定的源文本，利用LLM识别并掩码关键推理步骤，然后生成一组多样且合理的干扰选项，从而构建出一个多项选择的“填空”任务版本。基于此方法，研究团队从数学、编程和通用科学领域的文本中，合成了包含超过70万个任务的大规模RLVR数据集GooseReason-0.7M。实验表明，该数据集能有效“唤醒”在现有RLVR数据上已饱和的模型性能，在持续强化学习训练下带来稳健、持续的提升，并使1.5B和4B-Instruct参数规模的模型在15个不同的基准测试中取得了新的最先进（SOTA）结果。更值得关注的是，研究团队将“金鹅”方法应用于现实场景，从网络安全领域的原始网络抓取文本（FineWeb）中合成了RLVR任务，创建了GooseReason-Cyber数据集。使用该数据集训练的Qwen3-4B-Instruct模型，在网络安全任务上树立了新的SOTA，甚至超越了经过大量领域特定预训练和后训练的7B参数专业模型。这项工作凸显了通过挖掘海量、富含推理、但未经验证的互联网文本，来自动化扩展RLVR数据的巨大潜力，为突破大模型强化学习的数据瓶颈提供了新的可行路径。