科技媒体marktechpost报道，英伟达近日推出Prolonged Reinforcement Learning（ProRL）强化学习方法，并基于此开发出全球最佳的1.5B参数推理模型Nemotron-Research-Reasoning-Qwen-1.5B。
该模型采用强化学习优化推理能力，通过扩展训练步数至2000步以上，并引入涵盖数学、编程、STEM等多领域的13.6万样本数据，显著提升性能。测试结果显示，其在数学任务中平均提升15.7%，编程任务pass@1准确率提高14.4%，STEM推理和逻辑谜题表现分别提升25.9%和54.8%，泛化能力突出，甚至超越部分更大规模的模型。
此次突破为强化学习在大型语言模型推理优化中的应用提供了新方向，展现了英伟达在AI领域的技术领先性。