一个 7B 奖励模型搞定全学科，大模型强化学习不止数学和代码。 o1/r1 的强化学习很强，但主要探索了数学和代码领域，因为这两个领域的数据结构化程度高，奖励函数 / 奖励模型比较好设计。...