多轮强化学习 多轮强化学习赢在哪里:单步动作只有 46.8% 更好,靠出错后翻盘 RL 把 agent 推过了基座的 Pass@K 边界,但同一状态下的单步决策只有一半更好。真正被强化的是"出错之后"——代价是它需要更多轮次才兑现。