简单看了下Deepseek-R1的技术报告，里面提到失败的尝试经历，其实更有意义，the bitter lesson
一是测试了过程奖励模型PRM（process reward model）；
二是测试了蒙特卡罗树搜索MCTS (Monte Carlo Tree Search）。
这两条都是现在训练推理模型时候很火的两条路子，总结得经验很宝贵：
简单看了下Deepseek-R1的技术报告，里面提到失败的尝试经历，其实更有意义，the bitter lesson
一是测试了过程奖励模型PRM（process reward model）；
二是测试了蒙特卡罗树搜索MCTS (Monte Carlo Tree Search）。
这两条都是现在训练推理模型时候很火的两条路子，总结得经验很宝贵：