32B击败DeepSeek-R1、o3-mini，成本暴降100倍！GRPO让小模型称霸推理

文章预览

MLNLP 社区是国内外知名的机器学习与自然语言处理社区，受众覆盖国内外NLP硕博生、高校老师以及企业研究人员。 社区的愿景 是促进国内外自然语言处理，机器学习学术界、产业界和广大爱好者之间的交流和进步，特别是初学者同学们的进步。 来源 | 新智元 编辑 | 桃子 好困 用上DeepSeek核心算法，也能击败R1。 在具有挑战性的「时间线索」（Temporal Clue）逻辑谜题中，基于强化学习微调后的Qwen 2.5 32B，推理能力完全碾压o1、o3-mini、R1。 甚至，它还追平了Claude 3.7 Sonnet，整个模型推理成本暴降100多倍！ 「时间线索」逻辑谜题脱胎于经典桌游Clue，并加入了when、why的两个全新维度，堪称逻辑推理的「珠穆朗玛峰」。 它不仅能考验模型基本推理能力，更爆料顶级大模型软肋。 对此，前谷歌工程师，初创OpenPipe联创Kyle Corbitt和团队将其作为模型的「终极试 ………………………………