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> 标签中输出推理结果,然后,一旦对推理结果感到满意,它将在 <output></output> 标签中输出最终答案。每个标签都是一个特殊标记,被训练到模型中。

这使得模型能够将内部想法和推理与最终答案区分开来,从而改善了用户的体验。

<thinking> 部分,模型可能会输出一个或多个 <reflection> 标签,这表示模型在推理中发现了错误,并将尝试在给出最终答案之前纠正错误。

参考资料

Hugging Face