Adotei uma abordagem semelhante de Gerador-Verificador para o uso de modelos em pesquisas teóricas de física. Especialistas humanos na vanguarda da ciência podem melhorar os modelos de Verificadores a ponto de a operação autônoma ser extremamente forte mesmo em problemas de pesquisa do mundo real (não apenas problemas de concursos matemáticos fabricados = problemas bem colocados que podem ser resolvidos em tempo finito por humanos). DeepSeekMathV2 Sinergia entre gerador e verificador O gerador de provas e o verificador formam um ciclo de retroalimentação auto-aprimorador. À medida que o gerador produz provas cada vez mais complexas, elas desafiam o verificador, expondo fraquezas que se tornam novos dados de treinamento. Inicialmente, especialistas humanos guiavam o retreinamento do verificador revisando suas questões sinalizadas — um processo tornado eficiente ao gerar múltiplas tentativas de verificação por prova. Essa "meta-verificação" (verificação dos achados do verificador em vez das provas diretamente) mostrou-se mais fácil para humanos e mais aprendível para LLMs. Ao escalar o número de análises e treinamentos de verificadores nessas anotações assistidas por IA, o verificador eventualmente atingiu um nível de confiabilidade em que a intervenção humana não foi mais necessária nas execuções finais — fechando o ciclo entre geração automatizada de provas e verificação.

Isso descreve a transição de um pipeline básico Gerador-Verificador usando modelos prontos para o mercado para um em que o próprio Verificador foi aprimorado por meio de dados de treinamento de especialistas humanos usados em meta-verificação.