我採用了類似的生成器-驗證器方法來使用模型於理論物理研究中。 處於科學前沿的人類專家可以改進驗證器模型，使其在現實世界的研究問題上（不僅僅是捏造的數學競賽問題 = 可以在有限時間內由人類解決的良好定義問題）實現極強的自主運作。 DeepSeekMathV2 生成器與驗證器之間的協同作用 證明生成器和驗證器形成了一個自我改進的反饋循環。隨著生成器產生越來越複雜的證明，這些證明挑戰驗證器，暴露出弱點，這些弱點成為新的訓練數據。最初，人類專家通過審查驗證器標記的問題來指導驗證器的再訓練——這一過程通過為每個證明生成多個驗證嘗試而變得高效。這種“元驗證”（檢查驗證器的發現而不是直接檢查證明）對人類來說更容易，對大型語言模型（LLMs）來說也更具可學習性。 通過擴大驗證器分析的數量並在這些AI輔助的註釋上進行訓練，驗證器最終達到了不再需要人類干預的可靠性水平——關閉了自動證明生成和驗證之間的循環。

這描述了從使用現成模型的基本生成器-驗證器管道過渡到驗證器本身通過人類專家訓練數據進行元驗證的改進。