IXThinker·2025-06-23 13:20

英偉達ProRL訓練2000步 1.5B媲美7B

強化學習能否提升大語言模型推理能力？英偉達團隊以ProRL訓練配方給出肯定答案：將RL擴展至2000步，訓出的1.5B模型性能媲美Deepseek-R1-7B，印證強化學習Scaling正在到來。

RL擴展2000步

英偉達團隊提出全新訓練方法ProRL，成功將強化學習擴展到2000步，論文已發布於arXiv平台，回應了「強化學習可否提升LLM推理」這一疑問。