今日，阿里云通義開源全新的數(shù)學(xué)推理過程獎勵模型Qwen2.5-Math-PRM，72B及7B尺寸模型性能均大幅超越同類開源過程獎勵模型。
據(jù)了解，在識別推理錯誤步驟能力上，Qwen2.5-Math-PRM以7B的小尺寸超越了GPT-4o。同時(shí)，通義團(tuán)隊(duì)還開源了首個步驟級的評估標(biāo)準(zhǔn) ProcessBench，此項(xiàng)評估標(biāo)準(zhǔn)填補(bǔ)了大模型推理過程錯誤評估的空白。
與此同時(shí)，為更好衡量模型識別數(shù)學(xué)推理中錯誤步驟的能力，通義團(tuán)隊(duì)還提出了全新的評估標(biāo)準(zhǔn)ProcessBench。該基準(zhǔn)由3400個數(shù)學(xué)問題測試案例組成，其中還包含奧賽難度的題目，每個案例都有人類專家標(biāo)注的逐步推理過程，可綜合全面評估模型識別錯誤步驟能力。這一評估標(biāo)準(zhǔn)也已開源。
此外，在ProcessBench上對錯誤步驟的識別能力的評估中，72B及7B尺寸的Qwen2.5-Math-PRM均顯示出顯著的優(yōu)勢，7B版本的PRM模型不但超越同尺寸開源PRM模型，甚至超越了閉源GPT-4o-0806。這證明了過程獎勵模型（PRM）能夠顯著提高推理的可靠性，為未來開發(fā)推理過程監(jiān)督技術(shù)開辟了新的途徑。
