强大推理背后的危机：PRMBench 揭示过程级奖励模型的潜在缺陷！

导语：最近，模型在长序列下的推理能力得到了大幅加强，出现了诸如o1，Gemini-thinking等强力多步推理模型。在这个过程中，过程级奖励模型（PRMs）是驱动大语言模型（LLMs）进行复杂推理和决策的关键“幕后功臣”。然而，它们真的足够可靠吗？一项最新研究表明，现有 PRMs 在识别推理过程中的细微错误方面存在显著不足，甚至不如随机猜测！

标题： PRMBench: A Fine-grained and Challenging Benchmark for Process-Level Reward Models
📄 论文： https://arxiv.org/abs/2501.03124
🌐 项目： https://prmbench.github.io/
💻 代码: https://github.com/ssmisya/PRMBench
📊 数据集: https://huggingface.co/datasets/hitsmy/PRMBench_Preview
单位： 复旦大学、苏州大学、上海人工智能实验室、石溪大学、香港中文大学

作者：宋明阳
编辑：「深度学习自然语言处理」公众号

近年来，大型语言模型（LLMs）在数学、代码生成等复杂推理任务中表现出惊人的能力，这很大程度上归功于过程级奖励模型（PRMs）的加持。PRMs 负责评估推理过程中的每一步是否正确和有效，从而引导 LLMs 的学习方向。然而，一个关键的问题是：我们如何准确评估 PRMs 本身的性能？

目前的主流评估方法往往侧重于最终结果的正确性，而忽略了对推理过程中细致入微的错误类型的识别。例如，一个推理步骤可能存在冗余、部分正确、 甚至完全错误等多种状态，简单的“正确/错误”标签难以捕捉其复杂性。

为了解决这一问题，复旦大学，苏州大学，上海人工智能实验室，石溪大学，香港中文大学等联合提出了 PRMBench，一个专门为评估 PRMs 的精细化且极具挑战性的基准。这项研究深入剖析了现有 PRMs 的“软肋”，为未来研究指明了方向。

PRMBench：一次针对 PRMs 的“全方位体检”

PRMBench 并非简单的“升级版”评估数据集，而是一套经过精心设计的“体检方案”，旨在全面考察 PRMs 在不同维度上的能力。

PRMBench的特点

• 海量且精细的标注数据： PRMBench 包含 6,216 个精心设计的问题，并包含 83,456 个步骤级别的标签，确保评估的深度和广度。
• 多维度、多层次的评估体系： PRMBench 从 简洁性 (Simplicity)、合理性 (Soundness) 和 敏感性 (Sensitivity) 三个主要维度出发，
• 进一步细分为 九个子类别，例如非冗余性、非循环逻辑、评价合理性、步骤一致性、领域一致性、置信度不变性、前提条件敏感性、
• 欺骗抵抗和一题多解一致性，力求全面覆盖 PRM 可能遇到的挑战。
• 揭示现有 PRMs 的“盲区”： 研究团队对 15 个代表性模型进行了广泛的实验，包括开源 PRMs 以及将 强力通用语言模型提示作为 Critic Model 的模型。实验结果令人惊讶，也引人深思。

本文的主要发现有

• 整体表现堪忧： 即使是表现最佳的模型 Gemini-2-Thinking，其 PRMScore 也仅为 68.8，勉强高于随机猜测的 50.0。这表明，即使是最先进的 PRMs，在多步过程评估中仍然有巨大的提升空间。
• 开源 PRMs 表现更弱： 开源 PRMs 的平均 PRMScore 更低至 50.1，部分模型甚至不如随机猜测，揭示了其可靠性和潜在训练偏差的问题。
• “简洁性”成最大挑战： 在 “简洁性” 维度上，即使是表现相对较好的 ReasonEval-34B，其 PRMScore 也骤降至 51.5，表明 PRMs 在识别推理过程中的冗余步骤方面能力不足。
• “阳性偏好”现象显著： 部分模型，例如 ReasonEval-7B 和 RLHFlow-DeepSeek-8B，在评估中表现出显著的“阳性偏好”，难以区分正确和错误的步骤。
• 数据驱动的洞察： 研究发现，错误步骤出现的位置也会影响 PRMs 的判断准确率。总的来说，随着错误步骤位置的后移，PRMs 的表现会逐渐提升。

1. 提出主要问题

在一项需要举出反例的证明题实践中，我们观察到一个有趣的现象：即使大语言模型 (o1) 自身意识到当前推理过程存在一些问题，仍然会产生错误的推理步骤。更令人担忧的是， 当我们调用现有的过程级奖励模型 (PRMs) 去检测刚刚 o1 生成的推理过程时，结果却发现 多数 PRMs 无法检测出这种细粒度的错误。这一发现引出了一个关键问题：当前的 PRM 是否具备检测推理过程中细粒度错误的能力？

然而现有针对PRM评测而设计的benchmark大多仅仅关注步骤评判的对错，而忽视步骤评判的错误类型， 缺乏对错误类型的细致分类。这也就意味着目前缺少这样能够评测PRM在细粒度错误上表现的综合benchmark。而这，正是我们推出 PRMBench 这一精细化基准的根本原因。我们希望通过 PRMBench，打破现有评估的局限， 真正遴选出能够有效识别细粒度错误的“优秀” PRM。

2. PRMBench 构建

数据来源： 基于 PRM800K 构建，首先筛选出其完全正确的问题、答案以及解题步骤作为我们的元数据。

错误引入： 针对多数评测主题（前8个）使用 LLMs（特别是 GPT-4o）将各种细粒度的错误引入到完全正确的解题推理步骤中。对于一题多解的情况则使用多步推理增强过的语言模型为同一问题生成不同的正确解法及其推理步骤。

人工验证： 严格的人工审查，以确保引入错误的质量和相关性。

数据集统计： 包含 6,216 个精心设计的问题，带有 83,456 个步骤级别的标签。

评估对象： 分为三个主要领域

• 简洁性 (Simplicity)： 评估冗余检测能力（非冗余性、非循环逻辑）。
• 合理性 (Soundness)： 评估PRM产生奖励的准确性和正确性（评价合理性、步骤一致性、领域一致性、置信度不变性）。
• 敏感性 (Sensitivity)： 评估对变化和误导性信息的鲁棒性（前提条件敏感性、欺骗抵抗、多解一致性）。

3. 实验与结果

评估模型：测试了 15 个模型，包括开源 PRMs (Skywork-PRM, Llemma-PRM, MATHMinos-Mistral, MathShepherd-Mistral, RLHFlow-PRM) 和提示为Critic Models的优秀闭源语言模型 (GPT-4o, o1-mini, Gemini-2)。

评估指标：

• 负 F1 分数 (Negative F1 Score)： 评估错误检测性能的主要指标。
• PRMScore： 将 F1 和负 F1 相结合的统一、标准化的分数，以反映整体能力。

主要发现：

• PRMs 表现不佳： 总的来说，PRMs 在多步过程评估中表现出有限的能力，其得分通常仅略高于随机猜测。
• 开源模型落后： 开源PRM的表现通常不如将强力通用语言模型（如o1, Gemini-thinking等）提示为Critic Model的表现更好。
• 简洁性或成最大挑战： 相较于其他评测主题，检测冗余 (简洁性) 被证明对 PRMs 来说尤其困难。

4. 其他分析

“正确标签偏好”： 许多 PRMs 表现出对正确标签的偏好，难以正确识别错误标签测试样例（阴性数据）。

错误位置的影响： PRM 的性能往往会随着推理步骤位于推理链中的位置逐渐靠后而提高。

少样本 ICL 的影响有限： 在reward过程中使用不同数量示例的 In-Context Learning 对闭源模型的性能影响不大。

5. 结语

PRMBench 的发布，不仅仅是一个新的基准，更是一声警钟，提醒我们重新审视现有 PRMs 的能力边界。

研究的意义与展望：

• 推动 PRM 评估研究的进步：PRMBench 提供了一个更全面、更精细化的评估工具，可以更有效地识别 PRMs 的潜在缺陷，促进相关算法的改进。
• 指导未来 PRM 的开发方向：通过揭示现有 PRMs 在不同维度上的优缺点，PRMBench 为未来 PRM 的设计和训练提供了重要的参考。
• 助力构建更可靠的 AI 系统：更可靠的 PRMs 将有助于提升 LLMs 在复杂推理任务中的表现，最终构建更加值得信赖的人工智能系统。

“我们希望 PRMBench 能够成为推动 PRM 评估和发展研究的坚实基石。” 研究团队表示。

立即探索 PRMBench：
论文：https://arxiv.org/abs/2501.03124
主页：https://PRMBench.github.io/
关键词：奖励模型，过程级奖励模型，大语言模型，基准测试，人工智能，深度学习，模型评估，错误检测