Tag DeepSeek-GRM

DeepSeek-GRM (arXiv:2504.02495) 详解：V4 之前的关键 reward modeling 准备工作。提出 SPCT (Self-Principled Critique Tuning) + Pointwise GRM 架构 + Meta RM 投票，让 reward model 本身具备推理时 scaling 能力。在 RewardBench 上达到 89.6 分（K=32 推理采样），超过 GPT-4o judge 与 Claude-3.5-Sonnet judge。同时简略提及 Prover-V2、R1-0528、OCR 等 V4 prelude 工作。