今日，阿里云通義開源全新的數學推理過程獎勵模型Qwen2.5-Math-PRM，72B及7B尺寸模型性能均大幅超越同類開源過程獎勵模型。

　　據了解，在識別推理錯誤步驟能力上，Qwen2.5-Math-PRM以7B的小尺寸超越了GPT-4o。同時，通義團隊還開源了首個步驟級的評估標準 ProcessBench，此項評估標準填補了大模型推理過程錯誤評估的空白。

　　與此同時，為更好衡量模型識別數學推理中錯誤步驟的能力，通義團隊還提出了全新的評估標準ProcessBench。該基準由3400個數學問題測試案例組成，其中還包含奧賽難度的題目，每個案例都有人類專家標注的逐步推理過程，可綜合全面評估模型識別錯誤步驟能力。這一評估標準也已開源。

　　此外，在ProcessBench上對錯誤步驟的識別能力的評估中，72B及7B尺寸的Qwen2.5-Math-PRM均顯示出顯著的優勢，7B版本的PRM模型不但超越同尺寸開源PRM模型，甚至超越了閉源GPT-4o-0806。這證明了過程獎勵模型(PRM)能夠顯著提高推理的可靠性，為未來開發推理過程監督技術開辟了新的途徑。