本文介绍了一种名为单样本强化学习（1-shot RLVR）的方法，该方法仅使用一个训练示例，就能显著提升大语言模型在数学任务上的表现。实验表明，该方法在Qwen2.5-Math-1.5B模型上，将MATH500基准的准确率从36.0%提升至73.6%，六大数学推理基准的平均性能从17.6%提高至35.7%，效果堪比使用1.2k示范集。该方法在多种模型和算法上均有效，并展现出跨领域泛化、自我反思加强和“后饱和泛化”等现象，熵损失等探索机制在其中发挥关键作用。相关代码、模型和数据已开源。

🚀**单样本强化学习（1-shot RLVR）**：一种仅使用一个训练示例即可显著提升大语言模型数学推理能力的方法。

📈**性能大幅提升**：在Qwen2.5-Math-1.5B模型上，MATH500准确率从36.0%提升至73.6%，六大数学推理基准平均性能从17.6%提高至35.7%。

🌐**泛化能力**：通过单样本RLVR训练，模型展现出跨领域泛化、自我反思加强和“后饱和泛化”等现象。

🔑**关键机制**：熵损失等探索机制在单样本强化学习中发挥了关键作用。