本文提出了一种新的自原则性批判调优（SPCT）方法，结合点式生成-20250405055622

文章预览

2025-04-05 05:56 本条微博链接 本文提出了一种新的自原则性批判调优（SPCT）方法，结合点式生成奖励模型（GRM）和在线强化学习，有效提升了通用奖励模型在推理时的可扩展性和奖励质量，实验表明 DeepSeek-GRM 模型在多个基准测试中超越现有方法，并通过推理时扩展实现了媲美甚至超越更大规模模型的性能，为通用奖励建模开辟了新的道路。 ………………………………