DeepSeek前腳發(fā)新論文，奧特曼立馬跟上：GPT-5就在幾個月后啊
有點意思。
這不DeepSeek前腳剛剛上新了一篇關于推理時Scaling Law的論文嘛，引得大家紛紛聯(lián)想是不是R2馬上要來了。
然鵝……奧特曼這邊卻發(fā)了一條“變卦”的消息：
計劃改變：我們可能在幾周之后先發(fā)布o3和o4-mini。
至于大家翹首以盼的GPT-5，奧特曼表示：
將在幾個月之后，而且效果會比我們最初設想的還要好。
至于原因，奧特曼也做出了解釋。
大概意思就是，順利整合所有內(nèi)容比他們想象的要困難得多，希望確保有足夠的能力來支持預期的需求。
咱就是說啊，現(xiàn)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
在這個小插曲之后呢，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(yōu)化原則和批判生成，實現(xiàn)推理時擴展。
之所以要做這么一項研究，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(xiàn)有的RM在通用領域卻表現(xiàn)出受限的情況，尤其是在面對復雜、多樣化任務的時候。
因此，就出現(xiàn)了兩個關鍵挑戰(zhàn)點。
一個是通用RM需要靈活性（支持單響應、多響應評分）和準確性（跨領域高質(zhì)量獎勵）。
另一個則是現(xiàn)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(shù)點。
首先就是生成式獎勵模型（GRM）。
它采用點式生成獎勵模型（Pointwise GRM），通過生成文本形式的獎勵（如critiques）而非單一標量值，支持靈活輸入（單響應、多響應）和推理時擴展。
其中，C是生成的critique，fextract從中提取分數(shù)。
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(tài)生成高質(zhì)量的原則（principles）和批判（critiques），從而提升獎勵質(zhì)量。
整體來看，SPCT是一個兩階段的過程，它們分別是：
- 拒絕式微調(diào)（Rejective Fine-Tuning）：冷啟動階段，通過采樣和拒絕策略生成初始數(shù)據(jù)。
- 基于規(guī)則的在線RL：使用規(guī)則化獎勵函數(shù)優(yōu)化原則和批判的生成，鼓勵模型區(qū)分最佳響應。
在此基礎上，便是第三個技術(shù)點，即推理時擴展技術(shù)。
先是通過多次采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(zhì)量采樣，進一步提升擴展效果。
基于上述的方法，團隊也對結(jié)果做了一波測試。
在Reward Bench、PPE、RMB等基準上，DeepSeek-GRM-27B顯著優(yōu)于基線方法（如LLM-as-a-Judge、標量RM），且通過推理時擴展（32次采樣）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，這篇研究證明了推理時擴展在通用RM中的有效性，性能超越訓練時擴展。
One More Thing
奧特曼發(fā)布“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(fā)布：
- 一本是Keach Hagey寫的關于奧特曼本人的書
- 一本是Ashlee Vance寫的關于OpenAI的書
