论文Agent 与开发者13:00H²R：用分层提示奖励改进数学推理强化学习一篇 RL 训练新方法：把数学题拆成子问题当奖励里程碑，Qwen2.5-Math-7B 在 HiMath 上从 30.4% 涨到 45.6%#H²R#Qwen2.5-Math#RLVR#HiMathaarXiv cs.LG@He Tu 等 3 人原文稍后读已读值得跟进有用关注 H²R