1/10训练数据超越GPT-4o！清华等提出隐式过程奖励模型PRIME，在线刷SOTA

清华大学等机构的研究者提出了一种新的强化学习方法——PRIME，通过隐式奖励提高语言模型的推理能力。该方法在多个基准测试中表现出色，平均性能提升了16.7%，并在AMC和AIME中获得了超过20%的提升。值得注意的是，这些成果仅使用了Qwen Math 1/10的数据资源（230K SFT + 150K RL）。与现有方法相比，PRIME不仅显著提升了模型性能，还加速了训练过程。研究人员已公开所有模型和数据，为后续研究提供了宝贵资源。
来源：https://mp.weixin.qq.com/s/bogt5zl7rytcz-FhNECTNg