概念导读
在自然语言指令上用 RL 训练，激发 LLM 的通用推理能力——不需要专门的数学/代码推理数据。
- 核心方法
- 与 RLVR 的区别
- Related
SUPERNOVA
核心方法
在自然语言指令上用 RL 训练，激发 LLM 的通用推理能力——不需要专门的数学/代码推理数据。
与 RLVR 的区别
- RLVR 依赖可验证 reward（数学、代码有明确对错）
- SUPERNOVA 在更广泛的自然语言任务上做 RL，用 LLM judge 做 reward
- 目标是通用推理能力，而非特定领域