OpenAI 通过过程监督提升数学推理能力

OpenAI 训练了一个在数学问题解决上达到新 SOTA 的模型，其核心方法是对推理的每个正确步骤进行奖励（过程监督），而非仅奖励最终正确答案（结果监督）。除了性能优于结果监督外，过程监督还能直接训练模型生成符合人类认可的链式推理（chain-of-thought），具备重要的对齐价值。