7B）在保持正确推理路径和处理复杂任务的能力。 ➢ 任务与语言之间的正迁移：Long-COT 训练不仅能提升数学任务的性能，还能对其他领域和语言产生正向影响，展现了其 广泛的适用性。此外，该方法具有良好的泛化性和鲁棒性，在通用基础任务和对齐评估中取得了相当或更优的表现。 ➢ 强化学习的规模化提升了效率：离线强化学习算法（DPO）和在线强化学习算法（PPO）均能有效增强模型性能。 ➢ Long-COT 强化多模态模型：将