DC-W2S：用于生物推理中可靠过程奖励建模的双重共识弱到强训练

在科学推理任务中，推理过程的真实性与最终结果同等重要。针对过程奖励模型（PRM）依赖昂贵专家标注的问题，本文提出双重共识弱到强（DC-W2S）框架。该方法利用大量噪声“弱”监督数据，通过结合弱监督者间的自一致性与嵌入空间的邻域一致性，分层筛选高可靠性信号。辅以课程式平衡采样和标签感知掩码策略，成功训练出鲁棒的 PRM。研究表明，战略性数据策展优于在大规模噪声数据上的 indiscriminate 训练，无需 exhaustive 专家注释即可实现复杂推理。