待验证50% 置信事实精确时间

该实验的奖励由 PRM（过程奖励模型）给出，而该 PRM 是 4B 策略模型的冻结基座版本，整个过程跑在七张 GPU 上

1

来源数

50%

置信度

长期有效

时效性

2026/10/2

首次发现

来源

一个仓库两种循环：哪个才是真正的RL？

涉及实体

PRMconcept Qwen3-4B-Thinkingmodel

相关事实

已验证过程奖励模型（PRM）转向对推理过程而非最终答案进行评估，在数学推理领域已展现显著优势71% 相似已验证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67% 相似待验证决定大模型推理性能的是VRAM（显存）而非系统内存，当模型权重超出VRAM容量时推理速度会从数十TPS断崖式跌至个位数59% 相似待验证2024年以来，Mistral、Phi、Gemma等小型模型通过更精细的数据筛选、知识蒸馏和训练策略优化，在特定任务上逼近甚至超越了体量数倍于己的大模型59% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/966913

API

curl https://kongchang.com/api/v1/knowledge/claims/966913

MCP

get_claim(id=966913)