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.

Nagroda tylko za końcowy wynik jest rzadka i nie wskazuje, który krok rozumowania był błędny.