概念ORM / Outcome Reward Model
结果奖励模型
仅评估最终答案正确性的奖励模型，相比过程奖励模型信号更稀疏，但训练成本较低
时间轴 (近 90 天)
10月24日
结果奖励模型（ORM）仅根据最终答案的正确性给予奖励，实现简单但信号稀疏，模型难以从错误答案中学习到正确的推理步骤。
待验证50%
仅评估最终答案正确性的奖励模型，相比过程奖励模型信号更稀疏，但训练成本较低
结果奖励模型（ORM）仅根据最终答案的正确性给予奖励，实现简单但信号稀疏，模型难以从错误答案中学习到正确的推理步骤。