概念过程奖励模型 / Process Reward Model
PRM
一种用于提升大语言模型推理能力的训练方法，通过对推理过程中每个步骤给予奖励信号，而非仅对最终结果评分，以降低逻辑错误和推理偏差
核心事实
时间轴 (近 90 天)
10月2日
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
待验证50%
10月2日
论文将PRM剪枝片段嫁接机制命名为PRM-Pruned Fragment Grafting（PPFG），并定位为跨轨迹步级迁移的最小成本实现形式
待验证50%
10月2日
对于设计推理时干预和PRM引导采样的工程师，单纯的片段嫁接若不解决触发时机问题，很可能是无效的算力投入
待验证50%
9月22日
业界通过强化学习、思维链提示、过程奖励模型等手段攻克推理错误难题
待验证50%
8月25日
RRT和PRM等传统运动规划算法在开阔空间表现良好，但在高度受限环境中采样效率会急剧下降
待验证50%
全部知识事实 (6)
已验证
当代前沿模型的训练方法包括RLHF（基于人类反馈的强化学习）及其后继者RLAIF和过程奖励模型（PRM）
80%待验证该实验的奖励由 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
50%待验证论文将PRM剪枝片段嫁接机制命名为PRM-Pruned Fragment Grafting（PPFG），并定位为跨轨迹步级迁移的最小成本实现形式
50%待验证对于设计推理时干预和PRM引导采样的工程师，单纯的片段嫁接若不解决触发时机问题，很可能是无效的算力投入
50%待验证业界通过强化学习、思维链提示、过程奖励模型等手段攻克推理错误难题
50%待验证RRT和PRM等传统运动规划算法在开阔空间表现良好，但在高度受限环境中采样效率会急剧下降
50%