研究人员推出了一种新颖的、用于训练后推理语言模型的框架——基于规则的自蒸馏。该方法利用来自规则的结构化、细粒度反馈来指导自蒸馏,比传统的标量奖励信号提供更详细的信用分配。该框架包含一个两阶段流程:首先生成任务特定的规则,然后训练一个由规则指导的推理器。在科学推理基准上的评估表明,该方法有效地将规则标准转化为令牌级指导,其性能优于GRPO和OPSD等现有方法。 AI
影响 该框架通过在训练过程中提供更细致的反馈,有可能带来更强大的推理语言模型。
排序理由 该集群包含一篇详细介绍语言模型训练新方法的学术论文。
- alphaXiv
- arXiv
- CatalyzeX
- DagsHub
- Gotit.pub
- Grpo
- Hugging Face
- Rubric-Conditioned Self-Distillation
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →