基于课程-GRPO 的难度感知孟加拉数学推理模型 GanitLLM

我们提出了名为 GanitLLM 的孟加拉数学推理模型（Ganit 源自孟加拉语中“数学”之意），并构建了一个新的难度感知孟加拉数学语料库以及基于课程的 GRPO 流水线。孟加拉是全球最常用语言之一，但现有大型语言模型要么在英语中推理后翻译，要么在多步骤孟加拉数学问题中难以胜任，这部分原因在于强化学习配方针对高资源语言调校，难以在低资源环境下应对奖励稀疏。为此，我们构建了 Ganit，一个经过严格筛选和去除噪声的孟加拉数学数据集，难度标签来源于强大评估模型的 pass@k。基于该数据集，我们提出 Curriculum-GRPO，将多阶段训练（SFT + GRPO）与难度感知抽样和可验证奖励（格式、数值正确性及孟加拉推理）相结合。在 Bn-MGSM 和 Bn-MSVAMP 上，GanitLLM-4B 相较于其 Qwen3-4B 基础模型提升了 8 和 6 个准确度点，孟加拉推理 token 比例从 14% 提升至 88% 以上，平均解题长度从 943 字缩减至 193 字。项目页面可在 https://dipta007.github.io/GanitLLM 查看。