一个使用名为“反射微调”的新技术训练的高性能模型,该技术教导 LLM 检测推理中的错误并纠正路线。

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,然后一旦它对推理感到满意,它将在 <output></output> 标签内输出最终答案。这些标签都是特殊的标记,训练到模型中。

这使模型能够将其内部想法和推理与最终答案分开,从而改善用户的体验。

<thinking> 部分内,模型可能会输出一个或多个 <reflection> 标签,这表示模型已发现推理中的错误,并将尝试在提供最终答案之前纠正错误。

参考

Hugging Face