GSM8K-RLVR：用强化学习提升语言模型的数学解题能力，让模型在GSM8K数据集上表现更出色。亮点：
-
不依赖预训练奖励模型，直接优化基础模型；
-
通过RLVR，模型准确率提升显著，如Qwen2.5-Math-1.5B模型准确率从70.66%提升至77.33%，提升6.67个百分点；
-
简化提示格式，无需复杂标签
参考文献：
[1] http://github.com/Mohammadjafari80/GSM8K-RLVR
（文：NLP工程化）
GSM8K-RLVR：用强化学习提升语言模型的数学解题能力