关于基于强化学习训练推理模型的方法，下列说法正确的是：

结果奖励建模（ORM）根据最终答案的正确性给予奖励，过程奖励建模（PRM）对推理过程的每个步骤给予奖励反馈

强化学习训练推理模型不需要任何奖励信号

结果奖励建模和过程奖励建模完全相同

基于强化学习的推理训练不使用策略梯度或 PPO 等优化算法