金磊 發自 凹非寺量子位 | 公眾號 QbitAI
有點意思。
這不DeepSeek前腳剛剛上新了一篇關於推理時Scaling Law的論文嘛，引得大家紛紛聯想是不是R2馬上要來了。
然鵝……奧特曼這邊卻發了一條“變卦”的消息：
計劃改變：我們可能在幾周之後先發佈o3和o4-mini。至於大家翹首以盼的GPT-5，奧特曼表示：
將在幾個月之後，而且效果會比我們最初設想的還要好。至於原因，奧特曼也做出了解釋。
大概意思就是，順利整合所有內容比他們想像的要困難得多，希望確保有足夠的能力來支援預期的需求。
咱就是說啊，現在真的是DeepSeek這邊一有點聲響，OpenAI那邊就得有點動作來緊跟一下了。
DeepSeek新論文
在這個小插曲之後呢，我們還是把目光聚焦在DeepSeek這篇新論文身上。
這篇論文的名字叫做Inference-Time Scaling for Generalist Reward Modeling，由DeepSeek和清華大學共同提出。
這篇研究核心的亮點，就是提出了一個叫做SPCT方法（Self-Principled Critique Tuning）的方法——
首次提出通過在線強化學習（RL）優化原則日本的批評生成，實現推理時擴展。
之所以要做這麼一項研究，是因為之前大家用獎勵模型（Reward Model, RM）在RL中為大語言模型生成獎勵信號。
但現有的RM在通用領域卻表現出受限的情況，尤其是在面對複雜、多樣化任務的時候。
因此，就出現了兩個關鍵挑戰點。
一個是通用RM需要靈活性（支援單回應、多回應評分）和準確性（跨領域高質量獎勵）。
另一個則是現有RM（如標量RM、半標量RM）在推理時擴展性差，無法通過增加計算資源顯著提升性能。
為了解決這個問題，DeepSeek和清華大學團隊便提出了SPCT。
整體來看，這項研究主要包含三大核心技術點。
首先就是生成式獎勵模型（GRM）。
它採用點式生成獎勵模型（Pointwise GRM），通過生成文字形式的獎勵（如critiques）而非單一標量值，支援靈活輸入（單回應、多回應）和推理時擴展。
其中，C是生成的critique，f從中提取分數。
接下來，是關鍵的SPCT了。
主要是通過在線強化學習（RL）訓練GRM，使其能動態生成高質量的原則（principles）和批判（critiques），從而提升獎勵品質。
整體來看，SPCT是一個兩階段的過程，它們分別是：
拒絕式微調（Rejective Fine-Tuning）
：冷啟動階段，通過採樣和拒絕策略生成初始數據。
基於規則的在線RL
：使用規則化獎勵函數優化原則和批判的生成，鼓勵模型區分最佳回應。
在此基礎上，便是第三個技術點，即推理時擴展技術。
先是通過多次採樣生成多樣化的原則和批判，投票聚合最終獎勵，擴展獎勵空間。
再訓練一個輔助模型過濾低質量採樣，進一步提升擴展效果。
基於上述的方法，團隊也對結果做了一波測試。
在Reward Bench、PPE、RMB等基準上，DeepSeek-GRM-27B顯著優於基線方法（如LLM-as-a-Judge、標量RM），且通過推理時擴展（32次採樣）性能進一步提升（如Reward Bench準確率從86.0%提升至90.4%）。
總而言之，這篇研究證明瞭推理時擴展在通用RM中的有效性，性能超越訓練時擴展。
One More Thing
奧特曼發佈“變卦”消息之外，還不忘給自己帶一波貨，稱有兩本他親自參與的書即將發佈：
一本是Keach Hagey寫的關於奧特曼本人的書
一本是Ashlee Vance寫的關於OpenAI的書
論文位址：https://arxiv.org/abs/2504.02495
參考連結：[1]https://x.com/sama/status/1908167621624856998[2]https://techcrunch.com/2025/04/04/openai-says-itll-release-o3-after-all-delays-gpt-5/[3]https://x.com/sama/status/1908163013192069460
一鍵三連「點讚」「轉發」「小心心」
歡迎在評論區留下你的想法！