科技媒體 marktechpost 昨日(6 月 4 日)發(fā)布博文，報道稱英偉達(dá)推出 ProRL 強化學(xué)習(xí)方法，并開發(fā)出全球最佳的 1.5B 參數(shù)推理模型 Nemotron-Research-Reasoning-Qwen-1.5B。

　　強化學(xué)習(xí)(Reinforcement Learning，RL)在訓(xùn)練中扮演非常重要的角色，DeepSeek 和 Kimi 等團隊采用可驗證獎勵的強化學(xué)習(xí)(RLVR)方法，推廣了 GRPO、Mirror Descent 和 RLOO 等算法。

　　然而，研究者仍在爭論強化學(xué)習(xí)是否真正提升大型語言模型(LLM)的推理能力。現(xiàn)有數(shù)據(jù)表明，RLVR 在 pass@k 指標(biāo)上未能顯著優(yōu)于基礎(chǔ)模型，顯示推理能力擴展受限。

　　此外，當(dāng)前研究多集中于數(shù)學(xué)等特定領(lǐng)域，模型常被過度訓(xùn)練，限制了探索潛力;同時，訓(xùn)練步數(shù)通常僅數(shù)百步，未能讓模型充分發(fā)展新能力。

　　ProRL 方法的突破與應(yīng)用

　　英偉達(dá)研究團隊為解決上述問題，推出 ProRL 方法，延長強化學(xué)習(xí)訓(xùn)練時間至超過 2000 步，并將訓(xùn)練數(shù)據(jù)擴展至數(shù)學(xué)、編程、STEM、邏輯謎題和指令遵循等多個領(lǐng)域，涵蓋 13.6 萬個樣本。

　　他們采用 verl 框架和改進的 GRPO 方法，開發(fā)出 Nemotron-Research-Reasoning-Qwen-1.5B 模型。

　　這是全球最佳的 1.5B 參數(shù)推理模型，在多項基準(zhǔn)測試中超越基礎(chǔ)模型 DeepSeek-R1-1.5B，甚至優(yōu)于更大的 DeepSeek-R1-7B。

　　測試結(jié)果顯示，該模型在數(shù)學(xué)領(lǐng)域平均提升 15.7%，編程任務(wù) pass@1 準(zhǔn)確率提升 14.4%，STEM 推理和指令遵循分別提升 25.9% 和 22.0%，邏輯謎題獎勵值提升 54.8%，展現(xiàn)出強大的泛化能力。