一个使用称为反射微调的新技术训练的高性能模型,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

在采样过程中,模型将首先在 <thinking></thinking> 标签内输出推理结果,然后一旦对推理结果感到满意,它将在 <output></output> 标签内输出最终答案。每个标签都是一个特殊标记,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> 部分内,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对其进行纠正。

参考资料

Hugging Face