如何重现一个支持乘法的 Qwen-3b 模型?

我重新实现了这个项目。Qwen-3b-instruct 模型可以通过加法和减法进行操作，但无法学习乘法和除法，即使我在训练了超过 1000 步之后。奖励甚至下降了 0.1-0.2。