RESEARCH LIBRARY
chain-of-thought
按标签浏览论文。
共 1 篇论文 · 按研读更新时间排序
RL-after-NTP
How Reinforcement Learning After Next-Token Prediction Facilitates Learning
稀有正确长推理示范在预训练中先被学会，RL再通过奖励筛选提高其有效占比，使贪心输出变长并提升准确率。
没有找到匹配论文，试试其他关键词或标签。
按标签浏览论文。
How Reinforcement Learning After Next-Token Prediction Facilitates Learning
稀有正确长推理示范在预训练中先被学会，RL再通过奖励筛选提高其有效占比，使贪心输出变长并提升准确率。
没有找到匹配论文，试试其他关键词或标签。