阿里云通义开源了全新的数学推理过程奖励模型Qwen2.5-Math-PRM，包含72B和7B两种尺寸，其性能均大幅超越同类开源模型。尤其在识别推理错误步骤的能力上，7B模型甚至超越了GPT-4o。此外，通义团队还开源了首个步骤级的评估标准ProcessBench，填补了大模型推理过程错误评估的空白。ProcessBench包含3400个数学问题测试案例，并由专家标注推理过程，可全面评估模型识别错误步骤能力。Qwen2.5-Math-PRM在ProcessBench上的表现突出，证明了过程奖励模型在提高推理可靠性方面的潜力。

🚀阿里云通义开源Qwen2.5-Math-PRM数学推理模型，包含72B和7B两种尺寸，性能显著超越同类开源模型。

🎯Qwen2.5-Math-PRM在识别推理错误步骤能力上表现突出，7B模型甚至超越了闭源的GPT-4o。

📊通义团队开源了首个步骤级评估标准ProcessBench，包含3400个数学问题测试案例，用于全面评估模型识别错误步骤的能力。

💡过程奖励模型（PRM）的成功应用，为未来开发推理过程监督技术提供了新的方向，显著提高了推理的可靠性。

快科技1月16日消息，今日，阿里云通义开源全新的数学推理过程奖励模型Qwen2.5-Math-PRM，72B及7B尺寸模型性能均大幅超越同类开源过程奖励模型。

据悉，在识别推理错误步骤能力上，Qwen2.5-Math-PRM以7B的小尺寸超越了GPT-4o。同时，通义团队还开源了首个步骤级的评估标准 ProcessBench，此项评估标准填补了大模型推理过程错误评估的空白。

据了解，为更好衡量模型识别数学推理中错误步骤的能力，通义团队提出的全新评估标准ProcessBench。该基准由3400个数学问题测试案例组成，其中还包含奥赛难度的题目，每个案例都有人类专家标注的逐步推理过程，可综合全面评估模型识别错误步骤能力。这一评估标准也已开源。

此外，在ProcessBench上对错误步骤的识别能力的评估中，72B及7B尺寸的Qwen2.5-Math-PRM均显示出显著的优势，7B版本的PRM模型不但超越同尺寸开源PRM模型，甚至超越了闭源GPT-4o-0806。这证明了过程奖励模型（PRM）能够显著提高推理的可靠性，为未来开发推理过程监督技术开辟了新的途径。