IXThinker·2025-05-20 12:20

單樣本強化學習　大幅提升LLM數學推理

可驗證獎勵強化學習（RLVR）是提升大語言模型數學推理的常用方法，通常需要數千個訓練樣例。最新研究發現，僅用一個樣例亦可取得相近的提升效果。

一樣例足夠

研究發現，僅使用一個訓練樣例進行RLVR訓練（1-shot RLVR），在部分模型上即可達到與使用數千個數據訓練相同的巨大提升，大幅降低訓練成本。