IXThinker·2025-01-07 13:00清華團隊萬元成本讓7B模型數學勝GPT-4o
OpenAI o1與o3證明了強化學習能讓大模型具備快速迭代試錯與深度思考能力。清華大學等團隊提出結合過程獎勵的強化學習方法PRIME，以極低成本讓7B模型在數學上超越GPT-4o。
隱式過程獎勵
PRIME（Process Reinforcement through IMplicit REwards）由清華大學NLP實驗室、上海AI實驗室、清華電子系與OpenBMB社區等團隊提出，是一種結合過程獎勵的強化學習新方法，不依賴任何蒸餾數據與模仿學習。
IXThinker 會員內容
呢篇係 Archive 內容。登入即可解鎖全文，仲有成個 15,000+ 篇、每日更新嘅 AI 動態資料庫。
免費登入／註冊解鎖全文 →Google 或電郵地址即可，即刻解鎖。