EurusPRM-Stage2 est un modèle d'apprentissage par renforcement avancé qui optimise le processus de raisonnement des modèles génératifs grâce à des récompenses de processus implicites. Ce modèle utilise le rapport de vraisemblance logarithmique des modèles linguistiques causaux pour calculer les récompenses de processus, améliorant ainsi les capacités de raisonnement du modèle sans coût d'annotation supplémentaire. Son principal avantage réside dans sa capacité à apprendre implicitement des récompenses de processus en utilisant uniquement des étiquettes de niveau réponse, améliorant ainsi la précision et la fiabilité des modèles génératifs. Ce modèle excelle dans des tâches telles que la résolution de problèmes mathématiques et convient aux scénarios nécessitant des raisonnements et des prises de décision complexes.