一个高性能模型,使用一种名为“反思微调”的新技术训练,该技术教导 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,模型将首先输出 <thinking></thinking> 标签内的推理,然后一旦对推理感到满意,就会在 <output></output> 标签内输出最终答案。每个标签都是一个特殊标记,被训练到模型中。

这使模型能够将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,模型可能会输出一个或多个 <reflection> 标签,这表示模型已经发现其推理中的错误,并将尝试在提供最终答案之前进行纠正。

参考资料

Hugging Face