Sự rò rỉ tư duy trong việc tăng cường học tập cho LLM

Đoạn trích bài viết

Các mô hình lý luận lai như Qwen3 series chuyển đổi giữa chế độ THINK và chế độ NO-THINK thông qua một vài token mẫu trò chuyện. Một công thức phổ biến huấn luyện các mô hình như vậy với việc học tập tăng cường trong chế độ NO-THINK và báo cáo hiệu suất suy luận được cải thiện.