华盛顿大学和微软的研究人员发现，使用一个训练数据（1-shot RLVR）就能显著提升大型语言模型在数学推理任务上的表现，甚至超过使用大量数据集的模型。
研究显示，仅用一个数学训练数据，模型在MATH500上的表现从36.0%提升到73.6%，并能应用于多种数学和非数学推理任务。
该研究还揭示了1-shot RLVR在训练过程中的多个有趣现象，如饱和后泛化和增强的自我反思能力。
华盛顿大学和微软的研究人员发现，使用一个训练数据（1-shot RLVR）就能显著提升大型语言模型在数学推理任务上的表现，甚至超过使用大量数据集的模型。
研究显示，仅用一个数学训练数据，模型在MATH500上的表现从36.0%提升到73.6%，并能应用于多种数学和非数学推理任务。
该研究还揭示了1-shot RLVR在训练过程中的多个有趣现象，如饱和后泛化和增强的自我反思能力。
