过程监督

研究人员提出LAPO方法，通过后向单轮归因技术为多轮搜索推理生成过程监督奖励，无需额外奖励模型即可评估中间步骤贡献。

针对大语言模型在数学推理中可能产生计算错误或逻辑漏洞的问题，通义千问团队提出过程监督新思路，旨在提升推理过程的可信度。