在线强化学习

DeepSeek联合清华发布研究成果，提出DeepSeek-GRM模型通过点式生成奖励建模提高通用查询的性能，利用自我原则批评调整等方法实现推理时扩展。该模型在多个基准测试中表现出色，在推理时的性能随着采样数量增加而显著提升。