通过推理计算来提高通用奖励建模（RM）的推理时间可扩展性强化学习（RL）在大语言模型（LLM）的后续训练中已被广泛应用，尤其是在提升模型的推理能力方面。然而，如何在各种领域中为LLM获得准确的奖励信号，仍然是一个关键挑战。 论文：https://arxiv...新技术# DeepSeek# 奖励建模# 清华大学8个月前02960
