一个高性能模型,使用一种称为反射微调的新技术进行训练,该技术教会大型语言模型检测其推理中的错误并纠正方向。

70b

98.1K 2个月前

自述文件

在采样过程中,模型将首先输出<thinking></thinking>标签内的推理,然后一旦它对自己的推理感到满意,它就会在<output></output>标签内输出最终答案。这些标签中的每一个都是特殊的标记,被训练到模型中。

这使得模型能够将其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,这表示模型在其推理中发现了错误,并将尝试在提供最终答案之前纠正它。

参考文献

Hugging Face