Adotei uma abordagem semelhante de Gerador-Verificador para o uso de modelos na pesquisa em física teórica. Especialistas humanos na vanguarda da ciência podem melhorar os modelos Verificadores a um ponto em que a operação autônoma é extremamente forte, mesmo em problemas de pesquisa do mundo real (não apenas problemas de concursos matemáticos artificiais = problemas bem definidos que podem ser resolvidos em um tempo finito por humanos). DeepSeekMathV2 Sinergia Entre Gerador e Verificador O gerador de provas e o verificador formam um ciclo de feedback autoaperfeiçoante. À medida que o gerador produz provas cada vez mais complexas, estas desafiam o verificador, expondo fraquezas que se tornam novos dados de treinamento. Inicialmente, especialistas humanos orientaram o re-treinamento do verificador revisando suas questões sinalizadas — um processo tornado eficiente pela geração de múltiplas tentativas de verificação por prova. Esta “meta-verificação” (verificando as descobertas do verificador em vez das provas diretamente) provou ser mais fácil para os humanos e mais aprendível para LLMs. Ao escalar o número de análises do verificador e treinar com essas anotações assistidas por IA, o verificador eventualmente alcançou um nível de confiabilidade onde a intervenção humana não era mais necessária nas execuções finais — fechando o ciclo entre a geração automatizada de provas e a verificação.

Isto descreve a transição de um pipeline básico de Gerador-Verificador utilizando modelos prontos a um em que o Verificador em si foi melhorado através de dados de treinamento de especialistas humanos usados na meta-verificação.