correctness_reward：这个函数根据生成的答案是否正确来分配奖励。采用两种方式：精确的字符串匹配和数值等价检查，将模型输出的答案与预期答案进行比较。完全匹配会获得更高的奖励（2.0），而基于数值等价的匹配会获得较小的奖励（1.5）。

本文提供了美国农业部（USDA）对2025/26年度美国玉米、高粱、大豆、大豆制品、小麦和稻米的供应、需求和价格的预测。这些预测包括了1月10日国家农业统计局（NASS）发布的冬小麦和油菜籽播种报告的影响，该报告估计冬小麦种植面积比去年同期增长了2% ...

之前，我们谈及如何描述写作卷一中有关线图里走线上升或下跌的状态或走势和介绍了一些描绘走线的常用动词和使用如 increase，decrease，fall 和 rise等这些动词时，香港学生常犯的错误（ 见上篇 ）。在今篇，我会再就line graph向考生介绍一些特别走线状况和讲解如何描写这些较特别的走线走势。

阶跃星辰与清华大学近期的一项研究发现，只需使用带 GAE （λ= 1，γ= 1）的普通 PPO 以及基于规则的简单奖励函数，无需任何 KL 正则化，就足以扩展在推理任务上的响应长度和基准性能，类似于在 DeepSeek-R1-Zero 上观察到的现象 ...

随着 AI 大模型规模不断扩展，能力持续进步，测试时扩展（TTS：Test-Time Scaling）或推理时扩展（Inference-Time Scaling）法则正在兴起。这项技术也被称为 AI 推理或长思考，它通过在推理过程中分配额外的计算资源来评估多种可能的结果，然后选择最佳的一个，从而提高模型整体性能。