单样本强化学习提升LLM数学推理，Qwen模型准确率从36%升至73.6%。

仅用一个例子进行强化学习？单次RLVR提升LLM数学推理能力。Qwen2.5-Math-1.5B在MATH500上从36%跃升至73.6%。