一个高性能模型,使用称为反思微调的新技术训练,教LLM检测其推理中的错误并纠正方向。

70b

95.9K 2 个月前

自述文件

在采样期间,模型将首先在<thinking></thinking> 标签内输出推理,然后一旦对推理感到满意,它将在<output></output> 标签内输出最终答案。这些标签都是特殊标记,被训练到模型中。

这使得模型能够将其内部想法和推理与最终答案分离,从而改善用户的体验。

<thinking> 部分,模型可能会输出一个或多个<reflection> 标签,这表示模型在推理中发现了错误,并将在提供最终答案之前尝试纠正错误。

参考资料

Hugging Face