MiniCPM5-2B-Base

新的MCPO方法改进了可验证学习的AI奖励分配

研究人员开发了一种名为边际信用策略优化（MCPO）的新方法，用于具有可验证奖励的强化学习。与将奖励平均分配给解决方案中所有代币的现有方法不同，MCPO识别并奖励模型犹豫的代币，通过前两个下一个代币预测之间的边际来衡量。该方法在MiniCPM5-2B-Base和Qwen3-4B-Base模型上进行了测试，与标准的GRPO相比，在之前的解题不一致的问题上，在竞赛数学基准测试中表现出显著的性能提升。