Jeg tok i bruk en lignende Generator-Verifikator-tilnærming for bruk av modeller i teoretisk fysikkforskning. Menneskelige eksperter i vitenskapens front kan forbedre Verifikasjonsmodeller til det punktet at autonom drift er ekstremt sterk selv på virkelige forskningsproblemer (ikke bare konstruerte matematiske konkurranseproblemer = velformulerte problemer som kan løses på en endelig tid av mennesker). DeepSeekMathV2 Synergi mellom generator og verifikator Bevisgeneratoren og verifikatoren danner en selvforbedrende tilbakemeldingssløyfe. Etter hvert som generatoren produserer stadig mer komplekse bevis, utfordrer disse verifikatoren og avdekker svakheter som blir nye treningsdata. Innledningsvis veiledet menneskelige eksperter verifikatorens omskolering ved å gjennomgå de flaggede problemene — en prosess som ble effektivisert ved å generere flere verifiseringsforsøk per bevis. Denne «meta-verifiseringen» (å sjekke verifikatorens funn i stedet for bevis direkte) viste seg å være både enklere for mennesker og mer lærbar for LLM-er. Ved å skalere antallet verifikatoranalyser og opplæring på disse AI-assisterte annotasjonene, nådde verifikatoren til slutt et nivå av pålitelighet hvor menneskelig inngripen ikke lenger var nødvendig i de siste rundene — og lukket dermed sirkelen mellom automatisert bevisgenerering og verifikasjon.

Dette beskriver overgangen fra en grunnleggende Generator-Verifikator-pipeline som bruker ferdige modeller, til en der Verifikatoren selv er forbedret via menneskelige eksperttreningsdata brukt i meta-verifisering.