强化学习上大分！清华团队训练出数学推理超越 GPT-4o 的 7B 模型
清华大学团队提出PRIME方法，仅用8张A100和约1万块花费训练出数学能力超过GPT-4、Llama-3.1-70B的Eurus-2-7B-PRIME模型，在美国IMO选拔考试中准确率达到26.7%，远超基线模型。该方法采用隐式过程奖励解决大模型强化学习中的关键问题，未来有望推动复杂推理能力提升。
清华大学电子系
仅需一万块钱！清华团队靠强化学习让 7B模型数学打败GPT-4o
清华大学等团队提出PRIME方法，仅用8张A100，在不到10天时间训练出一个数学能力超过GPT-4o的7B模型Eurus-2-7B-PRIME，准确率提高显著。该方法采用隐式过程奖励解决大模型强化学习中的奖励稀疏问题，有望推动复杂推理能力提升。