従来のRLファインチューニングは、一時的で不安定な結果を引き起こしました。ProRLv2を使用して、長期的なRLスケジュール、クロスドメイン損失正則化、KLトラスト領域、およびグローバル正規化を実装しました。これにより、持続的で高い忠実度の推論改善が保証されました。