一个高性能模型,采用一种名为“反思调优”的新技术进行训练,该技术教导 LLM 检测其推理中的错误并纠正方向。

70b

102.1K 4 个月前

自述文件

在采样过程中,模型将首先在 <thinking></thinking> 标签内输出推理过程,然后在对其推理感到满意后,将在 <output></output> 标签内输出最终答案。 这些标签都是特殊标记,已在模型中训练。

这使得模型能够将其内部想法和推理与其最终答案分开,从而改善用户体验。

<thinking> 部分内,模型可能会输出一个或多个 <reflection> 标签,这表示模型已在其推理中发现错误,并将尝试在提供最终答案之前对其进行纠正。

参考

Hugging Face