按年被提到
20252025 · 4 次2026
大模型与语言模型›大模型推理与思维链·arXiv:2504.20571 · cs.LG

Reinforcement Learning for Reasoning in Large Language Models with One Training Example

仅用一个训练样本的大语言模型推理强化学习
Yiping Wang, Qing Yang, Zhiyuan Zeng, Liliang Ren, Liyuan Liu, Baolin Peng, Hao Cheng, Xuehai He, Kuan Wang, Jianfeng Gao, Weizhu Chen, Shuohang Wang 等 14 人 · 2025

用单个样本做 RLVR,就能大幅提升模型的数学推理表现

开始阅读 ↗PDFalphaXiv 讨论
被提及 · 4 人首次 2025-04-30 · 最近 2025-08-07
4不同的人
3活跃月份
4讨论串
51被引(OpenAlex)

论文表明,仅用一个训练样本做带可验证奖励的强化学习(1-shot RLVR),就能有效激发 LLM 的数学推理能力。在 Qwen2.5-Math-1.5B 上,一个样本把 MATH500 从 36.0% 提到 73.6%,六个数学基准的平均值从 17.6% 提到 35.7%,与使用 1.2k 条 DeepScaleR 子集的结果相当;两个样本的结果还略高。作者还观察到跨类别泛化、训练准确率饱和后测试性能仍持续提升(post-saturation generalization),并验证其主要来自策略梯度损失、与 grokking 不同。

HN 为什么提它

mentions 中没有可引用的评论原话,只能确定它在不同月份被多人提到,原因无法据此判断。

实证研究难度 4 / 5约 50 分钟有时效性
读之前最好知道
1强化学习基础
2RLVR 与 GRPO / PPO
3策略梯度(policy gradient)
4数学推理基准(MATH500 等)

HN 书评

没有评论直接链到它;下面是它被提交的讨论串里回复最多的评论(不计入统计)
讨论串评论krackers · 2025-05

“Turns out that https://www.fortressofdoors.com/four-magic-words/ was right and all you need to do in training is have the LLM meditate on a single example.”

Reinforcement Learning for Reasoning in LLMs with One Training Example原评论 ↗
被提交为 story · 4 次