Ho adottato un approccio simile a Generatore-Verificatore per l'uso dei modelli nella ricerca in fisica teorica. Gli esperti umani all'avanguardia della scienza possono migliorare i modelli Verificatori fino al punto in cui l'operazione autonoma è estremamente forte anche su problemi di ricerca del mondo reale (non solo problemi matematici artificiosi = problemi ben posti che possono essere risolti in un tempo finito dagli esseri umani). DeepSeekMathV2 Sinergia tra Generatore e Verificatore Il generatore di prove e il verificatore formano un ciclo di feedback auto-migliorante. Man mano che il generatore produce prove sempre più complesse, queste sfidano il verificatore, esponendo debolezze che diventano nuovi dati di addestramento. Inizialmente, esperti umani guidavano il riaddestramento del verificatore esaminando i problemi segnalati — un processo reso efficiente generando più tentativi di verifica per ogni prova. Questa "meta-verifica" (controllare i risultati del verificatore piuttosto che le prove direttamente) si è rivelata sia più facile per gli esseri umani che più apprendibile per i LLM. Aumentando il numero di analisi del verificatore e addestrando su queste annotazioni assistite dall'AI, il verificatore ha infine raggiunto un livello di affidabilità in cui l'intervento umano non era più necessario nelle esecuzioni finali — chiudendo il ciclo tra generazione automatizzata di prove e verifica.

Questo descrive la transizione da un pipeline di Generatore-Verificatore di base che utilizza modelli pronti all'uso, a uno in cui il Verificatore stesso è stato migliorato grazie ai dati di addestramento di esperti umani utilizzati nella meta-verifica.