跳转至

Let's Verify Step by Step：过程监督与主动标注

保真度：核心机制复现。本页不把确定性 mini-suite 冒充原论文完整 benchmark。

论文信息

字段 内容
论文链接 Let's Verify Step by Step：过程监督与主动标注（arXiv 2305.20050）
公司 / 机构 OpenAI
首次公开日期 2023-05-31（arXiv v1）
原作者代码 已开源 PRM800K 数据
本地 adapter / 方法键 process-supervision
本地复现代码 src/auto_research/post_training/

原始论文总结

背景与主要改动

逐步奖励模型判断每个推理步骤，并优先标注不确定步骤；本地与 outcome-only 奖励使用同一候选和预算。

flowchart LR
 A["公开输入 / 历史"] --> B["process-supervision 训练 / 执行闭环"]
 B --> C["论文特有状态或目标"]
 C --> D["同预算评测"]

原论文关键图

Let's Verify Step by Step：过程监督与主动标注 原论文 Figure 1

原论文 Figure 1（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ \mathcal L_{PRM}=-\sum_t[y_t\log r_t+(1-y_t)\log(1-r_t)],\quad t^*=\arg\max_tH(r_t). \]

论文离线与线上效果

过程监督模型在代表性 MATH 子集解出 78%，并优于 outcome supervision。 论文未报告生产线上 A/B，本页不补造线上数字。

本地复现

Arithmetic candidate suite、120 steps、256 examples、seed 42：accuracy 0.2344 → 0.5781（+146.67%）；奖励、KL、长度和候选预算一致。

auto-research post-train --algorithm process-supervision --dataset arithmetic-smoke --maximum-examples 256 --steps 120 --seed 42
auto-research evolve --model post-training --dataset arithmetic-smoke --direction "组合 process-supervision 与已安装论文算子" --generations 2 --population 4

固定指标见 ../../experiments/global-p0-20260808-seed42.json。

复现边界

本地只验证论文特有目标、状态更新和公平预算；没有复刻原论文的大模型、多卡 RL、私有环境、真实网页或完整 benchmark，因而只报告机制验证，不声称数值复现原表。