Adopté un enfoque similar de Generador-Verificador para el uso de modelos en la investigación teórica de la física. Los expertos humanos en la vanguardia de la ciencia pueden mejorar los modelos de verificadores hasta el punto de que la operación autónoma es extremadamente fuerte incluso en problemas de investigación del mundo real (no solo problemas matemáticos fabricados en concursos de matemáticas = problemas bien planteados que pueden ser resueltos en un tiempo finito por humanos). DeepSeekMathV2 Sinergia entre generador y verificador El generador de demostraciones y el verificador forman un bucle de retroalimentación auto-mejorador. A medida que el generador produce pruebas cada vez más complejas, estas desafían al verificador, exponiendo debilidades que se convierten en nuevos datos de entrenamiento. Inicialmente, expertos humanos guiaban la reformación del verificador revisando sus problemas señalados — un proceso eficiente generando múltiples intentos de verificación por prueba. Esta "meta-verificación" (comprobar los hallazgos del verificador en lugar de las pruebas directamente) resultó tanto más fácil para humanos como más fácil de aprender para los LLMs. Al escalar el número de análisis y entrenamiento de verificadores en estas anotaciones asistidas por IA, el verificador alcanzó finalmente un nivel de fiabilidad en el que ya no fue necesaria intervención humana en las ejecuciones finales, cerrando el ciclo entre la generación automatizada de pruebas y la verificación.

Esto describe la transición de una pipeline básica de Generador-Verificador usando modelos estándar, a una en la que el propio Verificador ha sido mejorado mediante datos de entrenamiento de expertos humanos utilizados en la meta-verificación.