通俗解释
OpenAI 标注了 80 万条步骤级反馈训练 PRM，在数学题的最佳-N 选择上明显优于只看结果的奖励模型。它可用于搜索、重排和强化学习。
用在哪里：数学推理重排、搜索
01原始论文
Let's Verify Step by Step
Hunter Lightman, Vineet Kosaraju, Yura Burda, et al. · 2023
arXiv ↗ ✓ 已核实 · arXiv API
02知识位置
左边先学；右边是学完它之后可以学的。
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
所在学习路线：后训练与推理模型
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-21。
- JSON: /api/learn/algorithms.json (id:
prm)