Qwen模型

最新研究发现，虽然可通过GRPO训练让大模型实现日语推理，但其性能仅与英语推理基线持平，且日语推理并未带来文化相关任务的免费提升。

研究团队提出RLVR方法，通过强化学习与可验证奖励机制，显著提升小型语言模型在企业API工作流中的工具调用准确率，在Jira和Confluence模拟环境中实现从0.35到接近1.00的性能跃升。