待验证50% 置信事实时间未知
自我博弈在大语言模型中的实现方式是对同一问题生成多条候选推理路径，再利用奖励模型或验证机制进行排序筛选，也称'拒绝采样'或'Best-of-N'策略
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/7/2
首次发现
有效期至：2026/9/30
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
待验证博弈游戏正在成为评估和提升大语言模型推理能力的关键试验场74% 相似待验证该模型的解题Prompt描述了并行搜索不同路线、保留互相冲突的想法、引入对抗审查的工作方式70% 相似待验证大型语言模型可通过分析token概率分布、显式输出自我评估分数或多次采样观察答案一致性等手段近似估计决策置信度70% 相似待验证推理时计算的核心思想是在推理时让模型生成更长的思维链，通过自我验证与多路径搜索提升复杂任务的准确率，与蒙特卡洛树搜索在棋类AI中的成功有方法论联系，AlphaGo通过推理时大规模树搜索超越人类棋手69% 相似待验证推理范式本质上是将强化学习应用于语言模型的后训练阶段，让模型自主探索推理路径并根据答案正确性获得奖励反馈，最早在o1系列模型中公开展示69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/61067API
curl https://kongchang.com/api/v1/knowledge/claims/61067MCP
get_claim(id=61067)