标签
本文提出通过可学习信用分配的结果监督过程奖励建模（LCA），一个在最弱一环原则下联合学习信用分配和奖励建模的框架，将其形式化为一个使用Softmax加权和池化的多实例学习问题。实验表明，它在多个任务上优于现有的结果监督过程奖励模型（PRMs）。