IXThinker·2025-05-30 15:50

大模型僅憑自信學會推理　RLIF免外部獎勵信號

UC Berkeley團隊復現DeepSeek-R1式長思維鏈推理，提出無需外部獎勵信號與標註數據的新範式RLIF，僅靠模型自身置信度作內在獎勵，即可習得複雜推理能力。

以自信為獎勵

團隊共同一作Xuandong Zhao形容，大模型毋須接觸真實答案，僅透過優化自己的信心就能學會複雜推理；新方法完全不需外部獎勵或標註數據，以模型自身置信程度作內在獎勵信號。