### 摘要
最近，类似 o1 的模型备受关注，这些模型通过生成冗长的思维链（CoT）推理步骤来提升现有大语言模型（LLMs）的推理能力。在本文中，为了理解这些长思维链的质量，并衡量现有大语言模型对这些长思维链的批判能力，我们引入了 DeltaBench。它包含了不同类似 o1 的模型（如 QwQ、DeepSeek - R1）针对不同推理任务（如数学、代码、通用推理）生成的长思维链，用于衡量在长思维链推理中检测错误的能力。基于 DeltaBench，我们首先对生成的长思维链进行了细粒度分析，以探究不同类似 o1 模型的有效性和效率。然后，我们对现有的过程奖励模型（PRMs）和批判模型进行了广泛评估，以检测每个注释过程中的错误，旨在研究现有过程奖励模型和批判模型的界限与局限性。最后，我们希望 DeltaBench 能够帮助开发者更好地理解他们模型的长思维链推理能力。
### 引言
近年来，大语言模型（LLMs）取得了显著进展。在这些进展中，类似 o1 的大语言模型通过生成冗长的思维链（CoT）推理步骤，极大地提升了推理能力。
然而，尽管类似 o1 的模型及其长思维链推理方法越来越受欢迎，但对生成的推理链的质量和有效性的系统评估尚未得到充分研究，这给理解这些模型的能力和局限性带来了重大挑战。此外，随着大语言模型的不断发展，进一步提升其性能变得越来越具有挑战性。在这方面，一个关键的关注领域是批判能力的发展，即衡量为其他模型甚至自身生成的解决方案提供详细分析、建设性建议和改进反馈的能力。然而，评估现有大语言模型（如批判模型或过程奖励模型）对长思维链推理步骤的批判能力尚未得到探索。
因此，为了解决上述挑战，我们引入了 DeltaBench。这是首个用于分析类似 o1 的模型生成的长思维链的质量，并评
