Teaching Language Models to Solve Sudoku Through Reinforcement Learning

Teaching Language Models to Solve Sudoku Through Reinforcement Learning

摘要

探索如何通过强化学习教语言模型解决数独谜题，发现模型需遵循严格规则、逻辑推理及空间关系。实验使用400万数据集，分为四个难度级别，设计多组件奖励系统评估格式、答案准确性和规则遵守。7B模型表现稳定，3B模型则出现严重不稳定性。未来计划增加难度、扩展计算资源及改进奖励函数，提升模型复杂推理能力。