科技媒體marktechpost報(bào)道，英偉達(dá)近日推出Prolonged Reinforcement Learning(ProRL)強(qiáng)化學(xué)習(xí)方法，并基于此開發(fā)出全球最佳的1.5B參數(shù)推理模型Nemotron-Research-Reasoning-Qwen-1.5B。

　　該模型采用強(qiáng)化學(xué)習(xí)優(yōu)化推理能力，通過擴(kuò)展訓(xùn)練步數(shù)至2000步以上，并引入涵蓋數(shù)學(xué)、編程、STEM等多領(lǐng)域的13.6萬樣本數(shù)據(jù)，顯著提升性能。測試結(jié)果顯示，其在數(shù)學(xué)任務(wù)中平均提升15.7%，編程任務(wù)pass@1準(zhǔn)確率提高14.4%，STEM推理和邏輯謎題表現(xiàn)分別提升25.9%和54.8%，泛化能力突出，甚至超越部分更大規(guī)模的模型。

　　此次突破為強(qiáng)化學(xué)習(xí)在大型語言模型推理優(yōu)化中的應(yīng)用提供了新方向，展現(xiàn)了英偉達(dá)在AI領(lǐng)域的技術(shù)領(lǐng)先性。