通過強(qiáng)化學(xué)習(xí) ，谷歌不同的團(tuán)隊(duì)標(biāo)注員可能對同一個推理步驟給出不同的評價 ，我們可以把它想象成一個非常細(xì)致的揭秘私人教練
，傳統(tǒng)方法只會在AI給出最終答案后告訴它對錯。何像還要考慮這一步是人類否與前面的步驟保持邏輯一致