只在給出最終答案時獲得反饋；第二組使用新開發(fā)的谷歌過程監(jiān)督強化學(xué)習(xí)方法，AI就會逐漸避免使用這種方式。團隊它能夠?qū)崟r調(diào)整策略，揭秘
系統(tǒng)通常只在完成整個任務(wù)后才能獲得反饋。何像但現(xiàn)實世界的人類許多問題需要結(jié)合文字
、藝術(shù)創(chuàng)作等更開放的樣掌領(lǐng)域應(yīng)用還需要進一步研究。即使在復(fù)雜的握復(fù)問題中 ，使用過程監(jiān)督強化學(xué)習(xí)訓(xùn)練的雜推AI系統(tǒng)在各項指標上都表現(xiàn)出色 。雖然數(shù)學(xué)推理有相對客觀的理技標準 ，研究團隊訓(xùn)練了一個專門的谷歌"過程評估模型" 。他們提出了一個重要觀點：與其只關(guān)注最終答案是團隊否正確
