SCI-PRM：一种用于科学推理验证的工具感知过程奖励模型

尽管过程奖励模型（PRM）在数学推理中成效显著，但在生物、化学和物理等复杂科学领域的应用尚属空白。科学问题不仅要求逻辑严谨，还需事实一致性及领域特定工具的精确使用，而现有模型常受幻觉困扰且缺乏验证机制。本文构建了包含“工具链”轨迹的大规模数据集 SCIPRM70K，明确交织推理与科学工具执行。基于此，训练了高效奖励模型 Sci-PRM，对推理每一步的工具选择、执行准确度及结果解释提供细粒度监督。实验表明，Sci-PRM 通过最佳 N 选策略有效实现测试时扩展，并在强化学习中作为密集奖励信号缓解优势消失问题，突破现有性能瓶颈。