研究提出四种内部奖励鼓励模型依赖推理

Fanyu Meng等作者发布论文，提出四种利用策略自身信号的奖励，鼓励模型依赖其生成的推理，并将这些奖励加入组相对策略优化（GRPO）。四种奖励为梯度敏感度、置信度差距、渐进置信度增益和推理-提示词互换。论文在两个小型指令微调模型上，于GSM8K和StrategyQA测试这些奖励。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。