VeriThinker

让模型学会自我验证，推理更快更准

VeriThinker 是一个基于 NeurIPS 2025 论文的开源推理模型，旨在通过引入验证机制来提升大语言模型的推理效率。传统推理模型在生成答案时往往需要大量中间步骤，导致计算开销大且效率低。VeriThinker 的核心思想是让模型学会“验证”自己的推理过程，从而在保证准确性的前提下减少不必要的推理步骤，使推理更加高效。该项目提供了模型训练和推理的代码实现，基于 Python 技术栈，适合研究人员和开发者复现论文结果或进行二次开发。目前项目处于早期阶段，代码和文档正在完善中。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 68

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队czg1225

所属国家

官网地址

GitHubhttps://github.com/czg1225/VeriThinker

定价模式free

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型deepseek-r1-distill-llama,deepseek-r1-distill-qwen,efficiency,fine-tuning,large-language-models,reasoning-models

GitHub 星标★ 68

30天Star增速

HF 下载量

上线时间2025-05-22 00:00:00

最近更新2026-09-20 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数2

使用教程

核心亮点

提出新颖的验证机制，能显著减少推理步骤，提升效率
基于 NeurIPS 2025 论文，理论扎实，学术价值高
代码开源，便于复现和二次开发

不足之处

项目处于早期，文档和社区支持待观察
依赖特定训练流程，上手门槛可能较高

适用场景

学术研究：复现论文实验，探索验证机制对推理效率的影响
工业应用：在需要高效推理的场景（如实时问答、代码生成）中部署模型
模型优化：作为基础模型，结合其他技术进一步优化推理性能

替代项目

DeepSeek-R1、OpenAI o1、Qwen-Math

项目介绍

VeriThinker 是模型训练领域的开源项目，由 czg1225 开发，2025 年首次发布。

它收录于模型训练分类，该分类目前共有 518 个项目，GitHub 星标数为 68。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-20。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：学术研究：复现论文实验，探索验证机制对推理效率的影响。同类可对比的替代方案包括 DeepSeek-R1、OpenAI o1、Qwen-Math。

上一篇：awesome-activation-engineering

下一篇：Long-RL