过程奖励模型与验证器引导搜索(PRM)

使用一种奖励模型，为推理的每一个中间步骤打分（过程监督），而不仅仅评估最终答案（结果监督）。这些逐步分数在 best-of-N 采样或树搜索中对候选解进行排序和剪枝，将测试时的计算集中在最有希望的分支和更难的问题上。