一篇新的研究论文认为，推理模型中使用的“等待”标记，通常归因于强化学习（RL），主要是从训练数据中继承而来，而非RL本身的发明。该研究追溯了该标记在各种开放模型中的起源，发现即使在“等待”词不存在的情况下，RL也能显著提高Math-500等基准测试的准确性。研究还警告不要仅仅依赖LLM作为评判指标，因为它们可能会误读人类评估中观察到的推理趋势。 AI
影响 挑战了RL在开发推理标记方面所扮演角色的认知，表明对训练数据的更大依赖，并警告了自动化评估指标的局限性。
排序理由 该集群包含一篇研究论文，详细介绍了推理模型中特定标记起源的发现。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2610.30882v1 Announce Type: cross Abstract: Reinforcement learning (RL) is credited with teaching reasoning models to write {wait} before reconsidering a step, yet large RL accuracy gains do not require the word. This view can confuse what RL discovers with what a model inh…
Reinforcement learning improves reasoning accuracy without requiring a specific wait marker, which originates from training data rather than RL, and automated evaluation metrics can misrepresent reasoning trends.