28
2025/08
Meta提出StepWiser：引入思维块奖励，基准得分超传统方法20%
以思维链（Chain-of-Thought, CoT）为代表的技术，通过让模型在给出最终答案前，先生成一系列中间推理步骤，极大地增强了模型的透明度和推理能力。
...
微软 & UCLA 新作：超越 Pass@1，通过自博弈和变分问题合成，持续提升大模型推理能力
我们知道 RLVR 的核心思想很简单：让模型生成多个解题思路（轨迹），然后用一个确定的、可验证的奖励信号（比如答案是否正确）来告诉模型哪些思路是好的，哪些是坏
...