一种使用名为“反思调整”的新技术训练的高性能模型,该技术教导大型语言模型检测其推理中的错误并进行纠正。

70b

98.1K 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,一旦它对其推理感到满意,它将在 <output></output> 标签内输出最终答案。这些标签中的每一个都是特殊标记,已训练到模型中。

这使模型能够将其内部思想和推理与其最终答案分开,从而改善用户的体验。

<thinking> 部分中,模型可能会输出一个或多个 <reflection> 标签,这表明模型已发现其推理中的错误,并将在提供最终答案之前尝试纠正它。

参考文献

Hugging Face