提出PROGRS：过程奖励改进LLM数学推理GRPO训练
热点事件观察中
提出PROGRS：过程奖励改进LLM数学推理GRPO训练
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
Mohammad Rezaei、Jens Lehmann和Sahar Vahdati在arXiv提交论文，提出PROGRS框架，将过程奖励（PRM）作为组内相对偏好并入GRPO，同时保持最终结果正确性占主导，用于大语言模型数学推理的强化学习。 其核心做法是把过程奖励当作结果组内的相对偏好而非绝对目标（outcome-conditioned centering）。基于论文摘要的声称，在MATH-500、AMC、AIME、MinervaMath和OlympiadBench上，PROGRS相对仅结果奖励的基线一致提升Pass@1，且用更少的rollout取得更强性能。以上为作者声称，基于摘要，尚未见独立验证。
AI 根据报道生成 · 1 天前更新
最新进展10月14日 12:00
PROGRS：用结果引导的相对过程奖励提升大语言模型数学推理强化学习报道时间线
沿着报道，了解事件的不同侧面。
10月14日
- arXiv · cs.AIPROGRS：用结果引导的相对过程奖励提升大语言模型数学推理强化学习
Mohammad Rezaei、Jens Lehmann和Sahar Vahdati基于论文摘要提出PROGRS，用于在大语言模型数学推理强化学习中利用过程奖励，同时让最终结果正确性保持主导。
本事件热度走势
- 可比范围当前
- 4
- 可比范围峰值
- 810月14日 18:00
- 近 24 小时变化
- -49%
02.557.510
18:0010月15日06:0012:0018:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。