Jag antog en liknande Generator-Verifier-metod för användning av modeller i teoretisk fysikforskning. Mänskliga experter i vetenskapens framkant kan förbättra verifierarmodeller till den grad att autonom drift är extremt stark även på verkliga forskningsproblem (inte bara konstruerade matematiska tävlingsproblem = välformulerade problem som kan lösas på begränsad tid av människor). DeepSeekMathV2 Synergi mellan generator och verifierare Bevisgeneratorn och verifieraren bildar en självförbättrande återkopplingsslinga. När generatorn producerar allt mer komplexa bevis utmanar dessa verifieraren och blottlägger svagheter som blir nya träningsdata. Inledningsvis vägledde mänskliga experter verifierarens omskolning genom att granska dess flaggade problem – en process som effektiviserades genom att generera flera verifieringsförsök per bevis. Denna "meta-verifiering" (att kontrollera verifierarens fynd istället för bevis direkt) visade sig vara både lättare för människor och mer lärbar för LLM:er. Genom att skala antalet verifieringsanalyser och träning på dessa AI-assisterade annotationer nådde verifieraren så småningom en tillförlitlighetsnivå där mänsklig inblandning inte längre krävdes i de slutliga körningarna – vilket stängde loopen mellan automatiserad bevisgenerering och verifiering.

Detta beskriver övergången från en grundläggande Generator-Verifier-pipeline med färdiga modeller till en där verifieraren själv har förbättrats via mänsklig expertträningsdata som används vid metaverifiering.