AI在线 AI在线

RLVR

1.5B刷新数学代码SOTA！快手&清华精细化Token管理，LLM推理能力飙升

1.5B刷新数学代码SOTA！快手&清华精细化Token管理，LLM推理能力飙升
当大模型在数学题和代码任务里“卷”参数规模时，一支来自快手和清华的团队给出了不同答案——. 他们用1.5B参数的小模型，在多个推理基准上干过了同量级SOTA。 秘密在于给模型的“学习过程”做了精细化管理：让该记牢的知识稳住，让该灵活的推理放开。
7/31/2025 12:13:29 PM
不圆
IBM 研究：可验证奖励强化学习（RLVR）通过 GRPO 提升模型推理能力

IBM 研究：可验证奖励强化学习（RLVR）通过 GRPO 提升模型推理能力
大家好，我是肆〇柒。 今天，我们来探讨一篇来自IBM Research的前沿论文《REINFORCEMENT LEARNING WITH VERIFIABLE REWARDS: GRPO’S EFFECTIVE LOSS, DYNAMICS, AND SUCCESS AMPLIFICATION》。 这篇论文由Youssef Mroueh撰写，聚焦于强化学习（Reinforcement Learning, RL）领域中一个极具潜力的研究方向——如何通过可验证奖励（RLVR）来优化大型语言模型（LLM）的训练。
5/30/2025 4:00:00 AM
肆零柒