本文へスキップ

PRIME-RL

暗黙の過程報酬によるオンライン強化学習

公式サイトを見る

PRIME-RL とは

本プロジェクトはモデルの推論力を高めるオープンソースのオンライン強化学習と紹介されている。

できること

  • 暗黙の過程報酬から密な信号を得る
  • 学習中にオンライン更新を行う
  • 推論時に規模を広げる

導入の手順

  • モデルと依存関係を入れる
  • 数学またはプログラミングの問題集を用意する
  • 推論を動かし調整値を詰める

長所と短所

✓ 良い点

  • 明示的な過程ラベルが要らない
  • オンライン更新と推論時の拡張に対応

! 注意したい点

  • 先に学習用データの準備が要る
  • モデルの調整値を詰める必要がある

よくある質問

どんな報酬?

資料では暗黙の過程報酬が密な信号を出す。

挙がる数値は?

資料には AIME 2024 の 26.7% と MATH-500 の 79.2% が挙がる。

最終評価日: 2026-11-15

その他 LLM APIプラットフォーム ツール

すべて見る →

評価方法