一个高性能模型,采用一种名为“反射微调”的新技术进行训练,该技术可以教会LLM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>标签内的推理结果,然后一旦对推理结果满意,它将在<output></output>标签内输出最终答案。这些标签都是特殊的标记,已训练到模型中。

这使得模型能够将其内部想法和推理与最终答案分开,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,并将尝试在提供最终答案之前纠正它。

参考资料

Hugging Face