提出SUPERNOVA数据整理框架,利用指令微调数据集中的专家标注样本,通过100+控制性强化学习实验系统优化RLVR(带可验证奖励的强化学习)在通用推理任务上的应用,显著提升模型在BBEH、Zebralogic和MMLU-Pro等基准上的性能,尤其在BBEH上实现最高达52.8%的相对提升。
机构:UCLA
来源:arXiv 2604.08477 | AI4Papers 论文推荐平台