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。

　　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�，F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。