Die auf Verstärkungslernen (Reinforcement Learning, RL) basierende Nachtrainingsstrategie hat für die Ermöglichung von Mehrschritt-Reasoning in großen Reasoning-Modellen (Large Reasoning Models, LRMs) eine entscheidende Rolle gespielt. Allerdings sind die derzeitigen Belohnungsschemata typischerweise auf das Endergebnis ausgerichtet. Wir stellen PM4GRPO vor, eine auf Reasoning ausgerichtete Gruppenrelative Policy-Optimierung (Group Relative Policy Optimization, GRPO), die herkömmliche Belohnungen für Antwort und Format durch Signale hinsichtlich des Reasoning-Prozesses ergänzt. Dazu werden Prozessmining-Techniken eingesetzt, um eine skalare Konformitätsbelohnung zu berechnen, die misst, wie eng die Reasoning-Entwicklung eines Policy-Modells mit dem vortrainierten Teacher-Modell übereinstimmt. Die empirischen Ergebnisse auf fünf Benchmarks zeigen, dass PM4GRPO bestehende Methoden für auf GRPO basierendes Nachtraining deutlich übertrifft. Diese Ergebnisse belegen, dass die Nutzung von Prozessmining für eine auf Reasoning ausgerichtete GRPO die Reasoning-Fähigkeiten von Policy-Modellen effektiv verbessert.