一个高性能模型,使用一种名为反射调优的新技术训练,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,模型将首先在 <thinking></thinking> 标签内输出推理,然后在对推理感到满意后,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。

这使模型能够将其内部想法和推理与最终答案区分开来,从而改善用户体验。

<thinking> 部分内,模型可能会输出一个或多个 <reflection> 标签,这表示模型已在其推理中发现错误,并将在提供最终答案之前尝试更正。

参考资料

Hugging Face