Tôi đã áp dụng một phương pháp tương tự Generator-Verifier cho việc sử dụng các mô hình trong nghiên cứu vật lý lý thuyết. Các chuyên gia con người ở ranh giới của khoa học có thể cải thiện các mô hình Verifier đến mức mà hoạt động tự động trở nên cực kỳ mạnh mẽ ngay cả trên các vấn đề nghiên cứu thực tế (không chỉ là các vấn đề toán học giả định = các vấn đề được định hình tốt có thể được giải quyết trong một khoảng thời gian hữu hạn bởi con người). DeepSeekMathV2 Sự hợp tác giữa Generator và Verifier Bộ sinh chứng và bộ xác minh tạo thành một vòng lặp phản hồi tự cải thiện. Khi bộ sinh tạo ra các chứng minh ngày càng phức tạp, chúng thách thức bộ xác minh, phơi bày những điểm yếu trở thành dữ liệu huấn luyện mới. Ban đầu, các chuyên gia con người đã hướng dẫn việc tái huấn luyện của bộ xác minh bằng cách xem xét các vấn đề mà nó đã đánh dấu — một quy trình được thực hiện hiệu quả bằng cách tạo ra nhiều nỗ lực xác minh cho mỗi chứng minh. Việc "meta-xác minh" (kiểm tra các phát hiện của bộ xác minh thay vì các chứng minh trực tiếp) đã chứng minh là dễ dàng hơn cho con người và dễ học hơn cho các LLM. Bằng cách mở rộng số lượng phân tích của bộ xác minh và huấn luyện trên các chú thích hỗ trợ AI này, bộ xác minh cuối cùng đã đạt được mức độ tin cậy mà sự can thiệp của con người không còn cần thiết trong các lần chạy cuối cùng — khép kín vòng lặp giữa việc tạo chứng minh tự động và xác minh.

Điều này mô tả sự chuyển đổi từ một quy trình Generator-Verifier cơ bản sử dụng các mô hình có sẵn, sang một quy trình mà trong đó Verifier đã được cải thiện thông qua dữ liệu đào tạo từ các chuyên gia con người được sử dụng trong meta-verification.