Модели за възнаграждение на стъпки (PRM)

Моделите за възнаграждение на стъпки (Process Reward Models - PRM) са клас модели за оценка, използвани при обучение с подкрепление за верификация на междинните логически разсъждения на невронните мрежи. За разлика от традиционните модели за крайно възнаграждение (Outcome Reward Models), PRM оценяват верността на всяка отделна стъпка от решението, драстично намалявайки логическите халюцинации при решаване на комплексни математически и алгоритмични задачи.