摘要： O1复盘 简单复盘 o1 和 r1 之间间隔了四个月，这段时间里，rule-based reward 并没有被主流技术方案所认可。我们不妨做个简单的复盘，去思考下在那探索的四个月中，为什么大家更青睐于 prm / mcts 路线？为什么沿着这条路线做不出来突破？以及到底有哪些关键点是当时所被忽略的？ 阅读全文