REASONING GYM: Redeneeromgevingen voor Reinforcement Learning met Verifieerbare Beloningen
REASONING GYM: Reasoning Environments for Reinforcement Learning with Verifiable Rewards
May 30, 2025
Auteurs: Zafir Stojanovski, Oliver Stanley, Joe Sharratt, Richard Jones, Abdulhakeem Adefioye, Jean Kaddour, Andreas Köpf
cs.AI
Samenvatting
We introduceren Reasoning Gym (RG), een bibliotheek van redeneeromgevingen voor reinforcement learning met verifieerbare beloningen. Het biedt meer dan 100 datageneratoren en verifiers die meerdere domeinen omvatten, waaronder algebra, rekenen, computationele taken, cognitie, meetkunde, grafentheorie, logica en diverse gangbare spellen. De belangrijkste innovatie is de mogelijkheid om vrijwel oneindige trainingsdata te genereren met instelbare complexiteit, in tegenstelling tot de meeste eerdere redeneerdatasets, die doorgaans vastliggen. Deze procedurele generatiebenadering maakt continue evaluatie mogelijk over verschillende moeilijkheidsgraden. Onze experimentele resultaten tonen de effectiviteit van RG aan, zowel voor evaluatie als voor reinforcement learning van redeneermodellen.
English
We introduce Reasoning Gym (RG), a library of reasoning environments for
reinforcement learning with verifiable rewards. It provides over 100 data
generators and verifiers spanning multiple domains including algebra,
arithmetic, computation, cognition, geometry, graph theory, logic, and various
common games. Its key innovation is the ability to generate virtually infinite
training data with adjustable complexity, unlike most previous reasoning
datasets, which are typically fixed. This procedural generation approach allows
for continuous evaluation across varying difficulty levels. Our experimental
results demonstrate the efficacy of RG in both evaluating and reinforcement
learning of reasoning models.