以DeepSeek‑R1为例，仅靠强化学习训练，模型在AIME数学推理基准上的pass@1从15.6%提升至 77.9%，充分展示了RL在低数据量条件下即可实现大幅能力跃升，迅速成为后训练赛道的新范式。

新智元报道 ...