强化学习与可验证奖励（RLVR）已成为激发大型语言模型推理能力的强大范式，尤其在数学和编程领域。尽管近期努力将这一范式扩展到更广泛的科学（STEM）领域，但在这些背景下，监督微调（SFT）与RL之间复杂的相互作用仍未得到充分探讨。控制实验揭示了一个关键挑战：在通用STEM领域，直接对基础模型应用RL的样本效率极低，且在中等质量响应上始终被SFT所超越。然而，依次进行SFT和RL的训练可以进一步提升...