过程奖励模型（PRM）通过对中间推理状态提供细粒度评估信号，在测试时的规模化和强化学习中表现出显著效果，但其训练高度依赖昂贵的过程标注。\ \ 现有的 PRM 往往将推理前缀独立建模，缺乏将最终结果用于指导中间状态学习的显式机制，导致过程监督与结果监督难以协同。\ \ 我们提出 推理状态传播（RSP），为每个推理前缀分配二元有效性状态，并在推理轨迹上建模相邻状态的转移。具体而言，RSP 预测 break 概率（有效状态转为无效）和 repair 概率（无效状态恢复为有效），通过这些转移将中间状态与最终状态相连。\ \ 在训练时，过程标注仍用于监督中间状态的有效性，而结果标签监督最终状态，并通过状态转移向前传播学习信号，从而实现过程监督与结果监督的互补。\ \ 实验在推理搜索、答案选择和强化学习三个场景中进行评估。相较于代表性 PRM 基线，RSP 在所有任务上均实现稳健提升：在束搜索（beam search）中相对于 Qwen2.5‑Math‑PRM 平均提升 5.6%，在强化学习中提升 2.1%。\ \ 点评：RSP 通过显式的状态转移机制成功将结果信息回溯至中间推理步骤，显著降低了对大量过程标注的依赖，为大规模推理任务提供了更高效的学习框架。