OpenAI 用过程监督提升模型数学推理并达到新 SOTA

OpenAI 训练模型在数学问题求解上取得新 SOTA，方法是对每一步正确推理给予奖励（过程监督），而非只奖励最终正确答案（结果监督）。除性能提升外，过程监督还有对齐价值：直接训练模型产出人类认可的思维链。