IXThinker·2025-03-08 18:10

32B小模型憑GRPO稱霸推理 訓練成本降百倍

大不一定更強。研究人員用DeepSeek的核心算法GRPO對Qwen 2.5 32B進行強化學習微調，令這個小模型在超高難度的邏輯謎題上反勝多個頂級推理模型，訓練成本更大幅下降。

謎題設定

測試採用脫胎於經典桌遊Clue的「時間線索」（Temporal Clue）邏輯謎題，在原有玩法上加入時間等維度，對推理能力要求極高，被視為檢驗模型邏輯思維的硬核考題。