研究人员开发了OpenJev-RLCD,一种用于推理模型校准决策中强化学习的新实现。该方法首先采样一个理由,然后使用严格的适当评分规则对答案分布进行评分,这会激励不同的理由。在Qwen3-1.7B推理任务上的实验表明,RLCD在准确性和选择性预测方面与监督微调和其他强化学习方法相当或更优。值得注意的是,在GSM8K答案验证方面,与GRPO相比,RLCD实现了更高的准确性和更低的错误率。 AI
影响 这项研究可能带来更可靠、更准确的AI推理能力,尤其是在需要校准不确定性估计的任务中。
排序理由 该集群包含一篇详细介绍AI模型强化学习新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →