一个使用名为反射调整的新技术训练的高性能模型,该技术教导 LLM 检测其推理中的错误并纠正路线。

70b

95.9K 2 个月前

自述文件

在采样期间,模型将首先在 <thinking></thinking> 标签中输出推理,然后一旦它对自己的推理感到满意,它将在 <output></output> 标签中输出最终答案。每个标签都是一个特殊标记,经过训练被整合到模型中。

这使模型能够将内部想法和推理与最终答案分开,从而改善用户体验。

<thinking> 部分,模型可能会输出一个或多个 <reflection> 标签,这表明模型已发现其推理中的错误,并将尝试在提供最终答案之前更正它。

参考资料

Hugging Face