DeepSeek 与清华联合研究：创新奖励模型推理方法，提升可扩展性

DeepSeek 与清华研究者提出自我原则点评调优（SPCT）方法及元奖励模型，提升奖励模型推理可扩展性，构建 DeepSeek-GRM 系列模型。SPCT 分两阶段提高 GRM 质量与扩展性，实验显示 DeepSeek-GRM-27B 性能优异。团队通过生成奖励投票和元奖励模型引导提升推理扩展性能，证明其有效性优于单纯扩大模型规模。