PRM是必要的吗？问题解决的强化学习隐式诱导大语言模型的PRM能力

本研究针对大语言模型中的推理能力发展和传统方法的假设，阐明了纯强化学习（RL）训练在数学问题解决中能够增强推理能力，而无需过程奖励模型（PRM）的整合。研究发现，问题解决和过程监督能力在纯RL训练中相互促进，以提高模型的准确性，但针对复杂问题仍存在一定的精度挑战，强调了持续RL扩展的重要性。