成对奖励模型：使用淘汰赛进行最佳N采样

本研究解决了传统奖励模型在选择候选解决方案时分数不一致的问题，提出了一种结合淘汰赛的成对奖励模型(Pairwise RM)。该方法通过并行比较候选解的正确性来消除任意打分的需要，实验结果表明在具有挑战性的数学问题上效果显著提升，改进幅度达40%至60%。