已过期80% 置信事实时间未知
OpenAI在训练o1模型时采用了过程奖励模型（Process Reward Model, PRM），对推理的中间步骤进行细粒度评估
7
来源数
80%
置信度
中期 (~90 天)
时效性
2026/7/2
首次发现
有效期至：2026/9/30(已过期)
来源
强化学习驱动AI推理进化：从模仿者到真正的思考者
bilibili小也的AI日记
相关事实
已验证OpenAI在2023年发表论文"Let's Verify Step by Step"系统性地证明了过程奖励模型（PRM）在数学推理任务中的优越性77% 相似已验证OpenAI的o1系列模型将思维链内化为模型训练的核心机制，通过强化学习让模型学会自动展开详细的思考过程75% 相似待验证OpenAI主张训练过程是对海量数据的转换性使用，模型并非简单复制原文而是学习统计规律和语言模式74% 相似已验证2020年OpenAI的Kaplan等人揭示了模型性能与参数量、训练数据量和计算预算之间存在可预测的幂律关系73% 相似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73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/61062API
curl https://kongchang.com/api/v1/knowledge/claims/61062MCP
get_claim(id=61062)