Self-Improvement with Auxiliary Rewards: Learning from Verified Traces and Evaluating Transfer

Đoạn trích bài viết

Các phần thưởng ở cấp độ trả lời không thể phân biệt các dấu vết lý luận với kết quả chính xác. Chúng tôi nghiên cứu liệu các ưu tiên quỹ đạo hỗ trợ có cải thiện tự cải thiện và chuyển giao dưới sự giám sát hạn chế của mô hình ngôn ngữ nhỏ không. Chúng tôi so sánh các số liệu dựa trên sự tin cậy (SC) và dựa trên entropy (UID-Conj.),.