MIT团队称通过编辑Qwen3.5-0.8B约0.016%的权重，使Astra在MATH-500上的成绩从7.9%提升至48.1%，但该结果被质疑混淆了实验条件并夸大了模型能力。

本研究提出了一种通过单个训练示例进行验证奖励的强化学习方法（1-shot RLVR），显著提升了大型语言模型的数学推理能力，特别是将Qwen2.5-Math-1.5B在MATH500上的准确率从36.0%提高至73.6%。

上海AI Lab提出的新范式OREAL通过强化学习成功超越DeepSeek-R1，解决了数学推理中的稀疏奖励和局部正确问题。研究显示，正负样本的奖励重塑和关键步骤的重点学习显著提升了模型性能，7B和32B模型在MATH-500上分别达到了91.0和95.0的准确率，开创了新的研究高度。

本研究提出了一种名为推理预算约束政策优化（IBPO）的方法，旨在提升大语言模型的推理能力。该算法通过最大化推理预算的利用率，使模型能够根据问题的难度合理分配推理预算。实验结果表明，IBPO在MATH500数据集上显著提高了模型处理复杂数学问题的能力。