用于物理推理的公理化世界建模（RLAWM）

研究人员提出公理化世界建模强化学习框架 RLAWM，通过惩罚大语言模型推断的公理化世界与真实物理世界之间的偏差来优化策略。该方法在建模和求解两个层级分别设置物理奖励，且仅在训练阶段运行，推理阶段无额外开销。实验显示，RLAWM 在 PhysReason 上较基线最高提升 12.2 分，在奥赛级物理和数学上实现 2.45 倍增益并较最强基线提升 10 分。