IXThinker·2026-07-26 11:10

獎勵模型學會自我懷疑 拿不準才啟動長推理

生成式獎勵模型靠思維鏈提升複雜任務準確率，卻不問難易一律走完整推理，問「一加一」也要逐步深思，運算浪費驚人。有團隊提出動態機制：拿不準才多想，有把握就直接答，準確與效率兼得。

無腦長推理

生成式獎勵模型是當前推理增強的重要方向，通過先走推理鏈再作答提升數學與代碼任務表現。但無論題目深淺，一律強制完整推理，簡單問題也需冗餘思考，成本高企。