研究人员开发了BetaPRM，一种新的分布过程奖励模型，它不仅预测推理步骤的成功概率，还预测该预测的可靠性。这种方法使用Beta信念来解释观察到的续写，提供了比输出单一奖励分数的传统PRM更细致的信号。学习到的可靠性允许下游应用程序区分可信和不确定的奖励，从而实现更有效的计算分配。 AI
影响 通过评估奖励可靠性，引入了一种提高PRM指导的推理的效率和准确性的方法。
排序理由 该集群包含一篇详细介绍过程奖励模型新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
