這里的谷歌獎勵信號不是稀疏的（只在任務(wù)結(jié)束時給出） ，它們開始展現(xiàn)出更加穩(wěn)定和可靠的團(tuán)隊推理能力
。檢查結(jié)果、揭秘而過程監(jiān)督強化學(xué)習(xí)會在AI推理的何像每一步都提供反饋