摘要
本发明提出了一种数值推理大模型微调方法、系统、设备及存储介质，该方法包括以下步骤：构建数值推理数据集，数值推理数据集包括输入文本和参考答案；在GRPO框架中引入多维度奖励机制，包括：融合数值一致性奖励、单位合理性奖励、算式显式性奖励及幻觉惩罚项，将上述多维度奖励机制融合生成总奖励函数；基于该总奖励函数，构建改进GRPO损失函数；采用改进GRPO损失函数对大语言模型进行微调训练，最终输出微调后的大语言模型。本发明特别适用于增强大语言模型在数值类知识领域的记忆能力和数值推理能力，能够减少其产生数值幻觉的倾向。
