大模型与多模态数学专题
为什么推理模型训练越来越重视过程奖励和可验证反馈？
原题Outcome Reward Model 和 Process Reward Model 有什么数学区别？
原题Verifier、Reward Model、Critic、Judge Model 的目标函数有什么区别？
原题拒绝采样、Best-of-N、Reward Reranking 与 RL 优化有什么关系？
原题此处“拒绝采样”指按奖励阈值筛选候选，不是严格目标分布采样的接受—拒绝算法。
推理时计算预算、成功率和采样次数之间有什么关系？
原题
暂无题目