英文：Reward Model Scaling 分类：frontier
通过扩大奖励模型（RM）的规模与质量（数据、参数量、训练方法）提升其评判能力，从而让强化学习/推理训练的监督信号更准确，驱动模型能力增长。
路径：数据规模（更多偏好对）、参数量（更大 RM）、训练方法（过程奖励/合成偏好）、校验（与人类一致性）；作用：RLHF 质量、推理验证（PRM 过程监督）、自我对弈裁判；挑战：奖励模型偏差（长度/风格偏好）。
用于对齐训练（RLHF/RLVR 信号）、推理模型训练（过程奖励）、评测自动化（AI 裁判）与强化学习研究；奖励模型缩放是"监督信号放大"的关键。