近日，微軟研究院與清華大學、北京大學合作開發的獎勵推理模型(Reward Reasoning Models，RRMs)正式發布。

　　該模型通過顯式推理過程動態分配計算資源，顯著改善復雜任務的評估效果。RRMs基于Qwen2模型，采用Transformer-decoder架構，將獎勵建模轉化為文本補全任務，實現對復雜查詢的精細分析。

　　傳統獎勵模型在測試時統一分配計算資源，難以滿足多樣化需求。RRMs引入“思維鏈”推理機制，根據任務復雜性自適應調整計算資源投入。研究團隊利用RewardBench庫進行系統評估，結果顯示RRM-32B在推理類別中達到98.6%的準確率，遠超同類模型。

　　此外，RRMs支持多響應評估，并通過ELO評分和淘汰賽機制優化資源利用率，在后訓練反饋和最佳N推理中表現優異。

　　隨著模型規模擴大，RRMs展現出更強的推理能力和更高的準確性，為復雜任務提供了高效解決方案。