有點意思。

　　這不DeepSeek前腳剛剛上新了一篇關于推理時Scaling Law的論文嘛，引得大家紛紛聯(lián)想是不是R2馬上要來了。

　　然鵝……奧特曼這邊卻發(fā)了一條“變卦”的消息：

　　計劃改變：我們可能在幾周之后先發(fā)布o3和o4-mini。

　　至于大家翹首以盼的GPT-5，奧特曼表示：

　　將在幾個月之后，而且效果會比我們最初設想的還要好。

　　至于原因，奧特曼也做出了解釋。

　　大概意思就是，順利整合所有內容比他們想象的要困難得多，希望確保有足夠的能力來支持預期的需求。

　　咱就是說啊，現(xiàn)在真的是DeepSeek這邊一有點聲響，OpenAI那邊就得有點動作來緊跟一下了。

　　DeepSeek新論文

　　在這個小插曲之后呢，我們還是把目光聚焦在DeepSeek這篇新論文身上。

　　這篇論文的名字叫做Inference-Time Scaling for Generalist Reward Modeling，由DeepSeek和清華大學共同提出。

　　這篇研究核心的亮點，就是提出了一個叫做SPCT方法(Self-Principled Critique Tuning)的方法——

　　首次提出通過在線強化學習(RL)優(yōu)化原則和批判生成，實現(xiàn)推理時擴展。

　　之所以要做這么一項研究，是因為之前大家用獎勵模型(Reward Model, RM)在RL中為大語言模型生成獎勵信號。

　　但現(xiàn)有的RM在通用領域卻表現(xiàn)出受限的情況，尤其是在面對復雜、多樣化任務的時候。

　　因此，就出現(xiàn)了兩個關鍵挑戰(zhàn)點。

　　一個是通用RM需要靈活性(支持單響應、多響應評分)和準確性(跨領域高質量獎勵)。

　　另一個則是現(xiàn)有RM(如標量RM、半標量RM)在推理時擴展性差，無法通過增加計算資源顯著提升性能。

　　為了解決這個問題，DeepSeek和清華大學團隊便提出了SPCT。

　　整體來看，這項研究主要包含三大核心技術點。

　　首先就是生成式獎勵模型(GRM)。

　　它采用點式生成獎勵模型(Pointwise GRM)，通過生成文本形式的獎勵(如critiques)而非單一標量值，支持靈活輸入(單響應、多響應)和推理時擴展。

　　其中，C是生成的critique，fextract從中提取分數(shù)。

　　接下來，是關鍵的SPCT了。

　　主要是通過在線強化學習(RL)訓練GRM，使其能動態(tài)生成高質量的原則(principles)和批判(critiques)，從而提升獎勵質量。

　　整體來看，SPCT是一個兩階段的過程，它們分別是：

　　拒絕式微調（Rejective Fine-Tuning）

　　：冷啟動階段，通過采樣和拒絕策略生成初始數(shù)據(jù)。

　　基于規(guī)則的在線RL

　�。菏褂靡�(guī)則化獎勵函數(shù)優(yōu)化原則和批判的生成，鼓勵模型區(qū)分*響應。

　　在此基礎上，便是第三個技術點，即推理時擴展技術。

　　先是通過多次采樣生成多樣化的原則和批判，投票聚合最終獎勵，擴展獎勵空間。

　　再訓練一個輔助模型過濾低質量采樣，進一步提升擴展效果。

　　基于上述的方法，團隊也對結果做了一波測試。

　　在Reward Bench、PPE、RMB等基準上，DeepSeek-GRM-27B顯著優(yōu)于基線方法(如LLM-as-a-Judge、標量RM)，且通過推理時擴展(32次采樣)性能進一步提升(如Reward Bench準確率從86.0%提升至90.4%)。

　　總而言之，這篇研究證明了推理時擴展在通用RM中的有效性，性能超越訓練時擴展。

　　One More Thing

　　奧特曼發(fā)布“變卦”消息之外，還不忘給自己帶一波貨，稱有兩本他親自參與的書即將發(fā)布：

　　一本是Keach Hagey寫的關于奧特曼本人的書

　　一本是Ashlee Vance寫的關于OpenAI的書