General-Reasoner团队 投稿 量子位 | 公众号 QbitAI 一项新的强化学习方法，直接让Qwen性能大增，GPT-4o被赶超！ 来自加拿大滑铁卢大学与TikTok新加坡，M-A-P的华人团队提出了一种全新训练框架： General- Reasoner 。 结果直接让Qwen系列大模型的跨领域推理准确率提升近10%，在多个基准测试中甚至超越GPT-4o。 上图显示出General-Reasoner在多项跨领域评测中显著提升基础模型推理能力。 当前，强化学习（RL）被视为提升模型推理能力的关键手段。其中，Zero-RL方法通过直接训练基础 模型，已在数学和编程等结构化任务上展现出强大效果。 问题是，这些方法往往局限于数据丰富、答案结构清晰的领域，在面对物理、金融或人文社科等更广 泛的领域时，模型难以有效泛化。 接下来看看研究团队是如何解决这些推理难题的？ 相较现有方法的关键革新 目前的Zero-RL框架如SimpleRL通常聚焦于单一领域数据，采用简单的规则式答案验证，存在以下不 足： 数据单一 多为数学竞赛或代码任务，泛化能力有限； 验证方式僵化 仅能识别明确结构化答案，无法灵活处理多样化的答 ...