一个高性能模型,使用一种名为“反思调优”的新技术进行训练,该技术教导 LLM 检测其推理中的错误并纠正方向。

70b

103.4K 6 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,然后在对其推理感到满意后,在 <output></output> 标签内输出最终答案。每个标签都是特殊标记,经过模型训练。

这使得模型能够将其内部思想和推理与其最终答案分开,从而改善用户体验。

<thinking> 部分中,模型可以输出一个或多个 <reflection> 标签,这表示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对其进行纠正。

参考

Hugging Face