Мой лучший предположение: Рубрики + LLM Судья - атомизировать каждую точку в доказательстве истинности и проверить по сравнению с выводом модели. Мое предположение о том, как они сделали это масштабируемым - раньше это не было так, людям приходилось тщательно их разрабатывать, они обучили или сделали что-то, чтобы создать очень хорошие рубрики для каждой конкретной проблемы или ее ответа.

.@polynoamial @alexwei_ моргни дважды, если я прав, и трижды, если я не прав - прежде чем слепые будут вести слепых xD