DeepSeek-R1 的规则奖励与传统 RLHF 奖励模型有什么不同，为何数学与开放对话的适用条件不同？

"最近在看什么论文" —— 我说了R1，面试官问"它的reward设计和以前的RLHF最大区别是什么，为什么这么设计能work"。我讲了规则reward，但被追问"为什么规则reward在数学题上work，在开放对话上就不行"，答得不好。