在人工智能领域，随着 OpenAI 的 o1和 DeepSeek 的 R1模型受到广泛关注，大语言模型（LLM）的推理能力和测试时扩展(TTS)技术引发了众多研究者的兴趣。然而，在处理复杂推理问题时，如何准确评估模型每一步的回答质量，依然是一个亟待解决的难题。为此，清华大学与上海 AI Lab 共同提出了生成式过程奖励模型(GenPRM)，为过程监督推理提供了创新解决方案。
传统的过程奖励模型（PRM）虽然能够验证推理步骤的正确性，但由于采用了标量评分机制，难以捕捉深层次的逻辑错误。此外，PRM 的判别式建模方式也限制了其在测试阶段的扩展能力。为此，GenPRM 结合了生成式思维链推理和代码验证，并引入了测试时扩展机制，开辟了全新的研究方向。
图源备注：图片由AI生成，图片授权服务商Midjourney
GenPRM 的设计理念模拟了人类解题时的思维过程，允许模型在每一步推理时进行自然语言分析，这样不仅提高了透明性，还使得步骤评估更加可解释。同时，GenPRM 生成并执行与推理相关的 Python 代码，确保推理的可靠性。这种 “先解释、再验证” 的机制，不仅能够判断对错，还能提供具体的改进建议，显著提升了过程监督的效果。
令人惊讶的是，GenPRM 只用了23K 的训练样本，就取得了超过 GPT-4o 的优异表现。在 ProcessBench 等数学推理基准的测试中，1.5B 参数的 GenPRM 通过测试时扩展技术的加持，表现优异;而其7B 参数版本则成功超越了72B 参数的 Qwen2.5-Math-PRM，展现了强大的步骤级批评能力。
此外，GenPRM 的优势还体现在其高效的数据合成方法上。通过相对进步估计（RPE）和代码验证，GenPRM 生成了高质量的过程监督数据，大幅减少了对大量标注数据的需求。研究者们利用 QwQ-32B 模型合成数据，并通过共识过滤保留高质量样本，最终形成了这个仅有23K 的训练集。
未来，GenPRM 不仅能作为答案的验证器，也能够扮演 “教练” 的角色，通过反馈指导策略模型的迭代优化。这种 “生成 - 批评 - 反思” 的闭环为大语言模型的自我改进提供了全新的路径，未来也可能扩展到代码生成和多模态推理等领域。
项目地址：https://ryanliu112.github.io/GenPRM/
