數字人的AB面：在元宇宙中過氣，在AIGC中重生
來源：光錐智能作者：郝 鑫“29800元一年的虛擬主播，號稱24小時不停播，月入十幾萬，實際上卻是關鍵詞都不能回復，播了半個月，直播間還因違規被快手封禁，最終投訴無門、退款無果。&
6 月 5 日消息，科技媒體 marktechpost 昨日（6 月 4 日）發布博文，報道稱英偉達推出 ProRL 強化學習方法，并開發出全球最佳的 1.5B 參數推理模型 Nemotron-Research-Reasoning-Qwen-1.5B。
背景簡介
推理模型是一種專門的人工智能系統，通過詳細的長鏈推理（Chain of Thought，CoT）過程生成最終答案。
強化學習（Reinforcement Learning，RL）在訓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習（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習是否真正提升大型語言模型（LLM）的推理能力。現有數據表明，RLVR 在 pass@k 指標上未能顯著優于基礎模型，顯示推理能力擴展受限。
此外，當前研究多集中于數學等特定領域，模型常被過度訓練，限制了探索潛力；同時，訓練步數通常僅數百步，未能讓模型充分發展新能力。
ProRL 方法的突破與應用
英偉達研究團隊為解決上述問題，推出 ProRL 方法，延長強化學習訓練時間至超過 2000 步，并將訓練數據擴展至數學、編程、STEM、邏輯謎題和指令遵循等多個領域，涵蓋 13.6 萬個樣本。
他們采用 verl 框架和改進的 GRPO 方法，開發出 Nemotron-Research-Reasoning-Qwen-1.5B 模型。
這是全球最佳的 1.5B 參數推理模型，在多項基準測試中超越基礎模型 DeepSeek-R1-1.5B，甚至優于更大的 DeepSeek-R1-7B。
測試結果顯示，該模型在數學領域平均提升 15.7%，編程任務 pass@1 準確率提升 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%，展現出強大的泛化能力。
附上參考地址
ProRL: Prolonged Reinforcement Learning Expands Reasoning Boundaries in Large Language Models
huggingface
本文鏈接：http://www.www897cc.com/showinfo-45-13540-0.html英偉達推出 ProRL 方法：強化學習訓練至 2000 步，打造全球最佳 1.5B 推理 AI 模型
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號