Madde #372Ajanlar & Akıl Yürütme/sozluk/process-reward-model-prm
Process Reward Model (PRM)
Process-Supervised Reward Model (Lightman et al., OpenAI 2023)
Türkçe: Süreç Denetimli Ödül Modeli
Ayrıntılı Tanım
Sadece cümlenin sonundaki nihai cevaba bakıp tek bir not vermek yerine; çözümün içerisindeki **her bir mantık adımını tek tek inceleyerek her adıma bağımsız bir doğruluk puanı veren** ödül modelidir.
Ne İşe Yarar / Çözülen Problem
"Sonuç Odaklı Ödül Modeli"nin (Outcome RM) kör noktasını çözer: Yanlış bir mantıkla tesadüfen doğru sonuca ulaşan modelleri ödüllendirmez; mantık zincirinin kusursuzluğunu garanti eder.
Nasıl Çalışır? (Teknik & Mekanizma)
Metin adımlara ayrılır. PRM her adımın sonuna puanı basar. Arama algoritmaları bu puanlara bakarak hangi düşünce dalından ilerleyeceğine karar verir.
Örnek Senaryo & Pratik Uygulama
Bir matematik öğretmeninin yazılı kağıdını okuması: Sadece cevabın altındaki çizgiye bakıp 100 vermek yerine; ara işlemleri tek tek kırmızı kalemle onaylayıp (adım puanı) gidiş yoluna puan vermesi.
Benzer Terimlerden Farkı
Outcome Reward Model (ORM) sadece final skoruna bakar; PRM her ara adıma adım adım karne çıkarır.
İlişkili Terimler (3)
Akıl Yürütme, Düşünce Zinciri ve Ajanlar (Agents)
Chain of Thought, Tree of Thoughts, ReAct, AutoGPT ve çoklu ajan koordinasyonu.
Toplam Terim:33 Madde
Bu Kategorideki Tüm Terimleri Gör →Önceki Terim (#371)DeepSeek-R1
Sonraki Terim (#373)Outcome Reward Model (ORM)