Mat-Pref：可验证奖励训练改善无机材料的成分推理

可验证奖励的强化学习（RLVR）推动了数学和代码推理的快速进步，但当扩展到科学时，现有的基准并不能分解概括的内容：收益反映结构转移、属性转移还是记忆？我们引入了 Mat-Pref，它是跨 11 个无机结构族的 10,837 个离子取代问题的基准，基于材料项目的密度泛函理论计算，具有隔离分布性能、泛化到完全保留的结构族和跨属性转移的三个评估分割：将带隙推理应用于仅通过形成能量监督在训练期间看到的主体。四个零样本前沿模型（70-671B 参数）每次分割都保持在 33-54% 的范围内，证实仅靠规模并不能解决该任务所需的成分化学推理。受监督的 微调 的两阶段管道以及随后的组相对策略优化 (GRPO) 将 Qwen3-8B 的分布率提升至 65.2%，在保留系列上提升至 71.6%，在两个结构泛化分裂上均超过零样本 Qwen3-235B 超过 20 个百分点。自一致性抽样表明，SFT 策略已经可以产生正确的答案，但无法可靠地将其呈现为模态响应； GRPO 重塑了分布，使正确答案成为模态答案，而不仅仅是可达性，并且这种更清晰的承诺在机制上是可见的：logits 透镜分析揭示了关键决策层答案结晶的 ${\sim}$20pp 优势。我们将这一观察结果形式化为干扰排列一致性指标，在该指标下，GRPO 将宽松评分（至少一个排列正确）和严格评分（所有排列正确）之间的差距从 24.0 个百分点缩小到 14.3 个百分点。