Zachowanie AI
Process Reward Model (PRM)
2023AktywnyAktualizacja: 22 września 2026Opublikowany
Model nagrody oceniający poszczególne kroki rozumowania (proces), a nie tylko końcowy wynik — używany do treningu i selekcji w zadaniach rozumowania.
Kluczowa
innowacja
Ocena procesu rozumowania krok po kroku zamiast wyłącznie końcowego wyniku.
Kategoria
Zachowanie AI
Poziom abstrakcji
Building block
Poziom operacji
Po-treningInferencja
Zastosowania
Rozumowanie matematyczneRL/reranking rozumowaniaWyszukiwanie w czasie inferencji
Jak działa
PRM przypisuje ocenę każdemu krokowi rozumowania; oceny te służą do treningu, rerankingu lub przeszukiwania w czasie inferencji.
Rozwiązany problem
Nagroda tylko za końcowy wynik jest rzadka i nie wskazuje, który krok rozumowania był błędny.