IXThinker·2025-04-03 22:40

騰訊RLVR框架令7B獎勵模型覆蓋全學科

大模型強化學習不再局限於數學與代碼。騰訊聯同蘇州大學提出RLVR框架，把強化學習訓練擴展至醫學、法律、經濟等多學科，並開源7B獎勵模型與配套的多學科數據集。

為何偏重數理

o1、r1等模型展現的強化學習能力，過往主要在數學與代碼領域探索，因這兩類數據結構化程度高、答案客觀，獎勵函數或獎勵模型較易設計，其他學科長期缺乏類似條件。