刷B站，居然看到了一个post-training（专指test-time） scaling law的讨论。

这人介绍了DeepMind的一篇paper，讲OpenAI的o1，可能是一次并行生成N个回答，

然后有一个reward model（比GPT-4小很多，专门给答案提供reward，等于一个判卷老师），从里面挑10%的好回答。

（原paper里比较了三种方法， 但都是那PaLM做的，可以不看： https://t.co/xGbfNQMxA7）

看起来这批人的post-training scaling law想法，跟我几乎是完全不同。