廉价推理模型超越巨头：利用强化学习攻克逻辑难题
2025-03-06
研究人员使用强化学习技术，成功训练了更小、更经济的开源语言模型，在“时间线索”推理游戏中超越了DeepSeek R1、OpenAI o1、o3-mini等模型，性能逼近Anthropic Sonnet 3.7，且推理成本降低百倍以上。他们通过精心设计的任务和超参数，并利用Group Relative Policy Optimization (GRPO)算法和torchtune库进行训练，取得了显著成果。这项研究表明，强化学习能有效地训练开源模型解决复杂的逻辑推理问题，且少量数据即可获得显著提升。
阅读更多
AI