6月4日，英伟达推出ProRL强化学习方法，通过延长训练至超2000步并扩展多领域数据（数学、编程、STEM等共13.6万样本），成功开发出全球最佳的1.5B参数推理模型Nemotron-Research-Reasoning-Qwen-1.5B。该模型在多项基准测试中表现优异，尤其在数学领域提升15.7%，编程任务pass@1准确率提升14.4%，STEM推理及指令遵循分别提升25.9%和22.0%，逻辑谜题奖励值提升54.8%，展现强大泛化能力。此前，强化学习在推理模型中的应用受限，现有方法如RLVR未显著优于基础模型。英伟达采用verl框架和改进GRPO方法实现突破。