FABSVer：面向大语言模型数学推理的更快训练与更优自我验证

尽管大语言模型在数学推理方面进展显著，但其判断自身解答正确性的能力仍不可靠。现有自我验证方法通常将解答生成与验证视为两个独立任务，导致训练时间大幅增加。本文提出 FABSVer，将这两项任务融合为单次生成过程，大幅降低训练开销并联合优化两种能力。此外，我们发现并解决了收敛瓶颈：随着训练进行，因策略受固定参考模型限制，奖励趋于停滞。为此，我们引入动态参考模型更新（DRMU）机制，提升奖励上限以实现持续增长。实验表明，该方法在三种模型规模下均实现了卓越的自我验证与推理性能，且训练时间仅为现有方法的 51% 至 71%。