IXThinker·2025-02-17 12:50

滬團隊純強化學習煉模型 數學推理媲美O1

上海AI Lab提出基於結果獎勵的強化學習新範式，不靠蒸餾DeepSeek-R1，僅以微調加強化學習即令32B模型數學推理追平頂級模型表現。

三重門困局

團隊總結當前大模型數學推理面對三重困局：最終答案對錯的二元反饋令複雜推理難以優化；長思維鏈中局部正確的步驟反可誤導模型學習；傳統蒸餾路線則令研究者陷於參數規模依賴。