通过过程监督提升数学推理能力

我们通过奖励每一步正确推理（称为“过程监督”）训练了一个模型，取得了数学问题解决的新突破。与仅奖励最终答案的“结果监督”相比，过程监督不仅提高了性能，还能直接训练模型生成符合人类思维的推理链。