一个使用称为反射微调的新技术训练的高性能模型,该技术教会 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

在采样过程中,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,经过模型训练。

这使得模型能够将内部想法和推理与最终答案分开,改善用户体验。

<thinking>部分中,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,并将在提供最终答案之前尝试对其进行修正。

参考资料

Hugging Face