一个高性能模型,使用名为“反射微调”的新技术训练,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

在采样期间,模型将首先在 <thinking></thinking> 标签内输出推理,然后一旦它对自己的推理感到满意,它将在 <output></output> 标签内输出最终答案。每个标签都是一个特殊的标记,经过模型训练。

这使模型能够将自己的内部思想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,这表明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更正错误。

参考资料

Hugging Face