论文
SignalReasoner：评估3B模型在信号数学推理上的上限
SignalReasoner: Assessing the Upper Bound of 3B Models for Signal Mathematical Reasoning
摘要
以监督思维链微调和可验证奖励强化学习进行的后训练，已大幅提升大语言模型（LLM）的数学推理能力。然而，这些方法在信号处理问题上的应用仍相对缺乏探索。本报告研究将Qwen2.5-3B-Base适配到WirelessMATHBench-XL中研究生级信号数学问题的强化微调策略，该基准是该领域数学推理的综合性基准。我们考察两种训练范式：（i）在WirelessMATHBench-XL上以可验证奖励直接进行强化学习（RL）；（ii）先在蒸馏的无线领域思维链语料上做监督微调（SFT），再进行同样的领域专用RL阶段。在两种范式下，我们均对组相对策略优化（GRPO）、组序列策略优化（GSPO）和几何平均策略优化（GMPO）进行了基准对比。我们想评估领域感知的CoT SFT能否作为后续RL的有效初始化，以及GSPO或GMPO在稳定性或准确率上是否优于GRPO以胜任信号推理任务。我们的最佳模型总体准确率达到39.12%，相比未训练的Base模型（12.37%）提升超过三倍。
