待验证50% 置信事实精确时间
o 系列模型通过 Process Reward Model 对中间推理步骤逐一评分，而非仅依赖最终结果正确性
1
来源数
50%
置信度
长期有效
时效性
2026/7/21
首次发现
来源
相关事实
已验证过程奖励模型（PRM）对推理链条中的每一个中间步骤进行打分，区别于结果奖励模型（ORM）仅评估最终答案的正确性80% 相似已验证o系列模型将思维链推理与强化学习相结合，模型在给出答案前生成内部思考步骤75% 相似待验证奖励模型的训练可使用Bradley-Terry模型等排序学习框架，训练神经网络预测任意两个回答之间的人类偏好概率，接收(prompt, response)对并输出标量分数72% 相似待验证该研究使用「LLM作为裁判」的评估方式，只要本地模型胜出或与专有模型打平就计为一次胜利72% 相似待验证当前大模型评测流程往往把完整题目和条件提供给模型，并针对特定题库进行定向训练，导致高分容易获得71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/582130API
curl https://kongchang.com/api/v1/knowledge/claims/582130MCP
get_claim(id=582130)