深度求索（DeepSeek）联合清华大学，合作推出全新 AI 对齐技术 SPCT（自我原则点评调优），突破传统依赖海量训练数据的模式，通过推理阶段动态优化输出质量。
根据研究团队 4 月 4 日发表的论文，该技术通过“原则合成-响应生成-批判过滤-原则优化”的递归架构，让模型能在推理时动态修正输出。
SPCT 方法分为两个阶段。一是拒绝式微调作为冷启动阶段，让 GRM 适应不同输入类型并以正确格式生成原则与点评内容。二是基于规则的在线强化学习阶段，采用基于规则的结果奖励，鼓励 GRM 生成更好的原则与点评内容，提升推理阶段可扩展性。
测试中，270 亿参数的 DeepSeek-GRM 模型测试显示，通过每查询 32 次采样的推理计算，达到了 671B 规模模型的性能水平。这种硬件感知设计采用混合专家系统（MoE），支持 128k token 上下文窗口，单查询延迟仅 1.4 秒。
报告指出 SPCT 显著降低高性能模型的部署门槛，以 DeepSeek-GRM 模型为例，训练成本约 1.2 万美元（AI在线注：现汇率约合 87871 元人民币），MT-Bench 得分 8.35。
| 模型 | 规模 | MT-Bench | 预估训练成本 |
|---|---|---|---|
| DeepSeek-GRM | 27B | 8.35 | $12,000 |
| Nemotron-4 | 340B | 8.41 | $1.2 million |
| GPT-4o | 1.8T | 8.72 | $6.3 million |
作为对比，340B 的 Nemotron-4 需 120 万美元获得 8.41 分。OpenAI 的 1.8T 参数 GPT-4o 虽得 8.72 分，但成本高达 630 万美元（现汇率约合 4613.2 万元人民币），而 DeepSeek-GRM 成本仅为 525 分之一。该技术减少 90% 人工标注需求，能耗较 DPO 降低 73%，为实时机器人控制等动态场景提供新可能。
