从强基座起步的 JustRL-Nemotron-1.5B 表现更加出色，平均准确率达到 64.32%，略微超过使用课程学习的 QuestA（63.81%）。关键的差异在于，QuestA 需要完整的推理轨迹来构建 hint，还要分阶段调整提示难度；而 ...

清华大学的研究团队近期发布了JustRL，一项基于强化学习（RL）的创新成果，为1.5B参数规模的LLM（大型语言模型）带来了数学推理能力的重大突破。这项研究的核心在于，通过“最笨”的RL配方——单阶段训练、固定超参数，在不依赖复杂技术的情况下，实现了顶尖的性能表现，并大幅提升了算力效率。这项研究成果不仅刷新了人们对小模型潜力的认知，也为RL训练LLM提供了新的思路。

如果有人告诉你：不用分阶段做强化学习、不搞课程学习、不动态调参，只用最基础的 RL 配方就能达到小模型数学推理能力 SOTA，你信吗？ 清华团队用两个 1.5B 模型给出了答案：不仅可行，还特别高效。 2025 年初，DeepSeek-R1 开源后，如何用 RL 训练 1.5B 级别的 ...

这项由蒙特利尔大学Mila实验室的Milad Aghajohari、Kamran Chitsaz、Amirhossein ...

这项由蒙特利尔大学Mila实验室的Milad Aghajohari、Kamran Chitsaz、Amirhossein Kazemnejad等研究人员与微软研究院、麦吉尔大学、ServiceNow研究部门合作完成的研究，发表于2025年的arXiv预印本平台（论文编号：arXiv:2510.06557v1）。有兴趣深入了解的读者可以通过该编号查询完整论文，也可以访问研究团队公开的代码仓库和模型权 ...