开源模型也能卷出SOTA！MiroMind-M1高效推理压缩token，训练数据与代码全透明

主要观点总结

本文介绍了MiroMind面向数学推理场景，推出的完整开源的训练体系MiroMind-M1，包括代码、数据、模型的一体化训练。MiroMind-M1在数学基准上性能优越，采用监督微调（SFT）和强化学习（RL）两大训练方式。背景方面，文章介绍了数学成为突破口的理由以及MiroMind的理念。具体细节上，文章详细描述了MiroMind-M1的构建过程，包括数据整理、模型训练、实验结果等。其中，CAMPO算法是本文的重点，它能有效提升强化学习的效率和稳定性。最后，文章总结了MiroMind-M1的优势和未来的发展方向。

关键观点总结

关键观点1: MiroMind-M1的推出及其重要性

MiroMind-M1是面向数学推理场景的完整开源的训练体系，涵盖代码、数据、模型的一体化训练，具有优越性能。

关键观点2: MiroMind-M1的训练方式

MiroMind-M1采用监督微调（SFT）和强化学习（RL）两大训练方式，在数学基准上取得良好效果。

关键观点3: 背景介绍

文章介绍了数学成为突破口的理由以及MiroMind的理念，让研究“可验证、可复现、可延伸”。

关键观点4: MiroMind-M1的构建过程

文章详细描述了MiroMind-M1的构建过程，包括数据整理、模型训练等。数据整理涉及大规模高质量语料的收集与清洗，模型训练采用了先进的训练策略。

关键观点5: CAMPO算法的特点

CAMPO算法是本文的重点，能有效提升强化学习的效率和稳定性，是MiroMind-M1取得优越性能的关键。