OpenJev-RLCD

新的RLCD方法提高了推理模型的校准性和准确性

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。