页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「Chain-of-Thought 训练」找到 38 条内容
按专题浏览 →匹配正文：答案要点 区分"显式CoT"与"隐式CoT/压缩推理"的技术路线 掌握STaR、Quiet-STaR等自举方法的核心思想 理解如何通过长度惩罚或KL散度约束控制推理长度 能结合RLHF/DPO进行推理风格对齐 提出可落地的提示策略（如"先想关键词再回答"） 核心思路：先建立可核验推理，再控制输出长度 一、训练方法（无需中间标注） 1. 区分两种自举方法 STaR：用少量带推理示例提示模型生成推理与答案，筛选答案正确的样本，再训练其生成推理与答案；对失败题可给正确答案作提示重新…
匹配正文：…概率评分，不是普通自由生成后的字符串排序。 Text-to-text重构：T5把分类、匹配、抽取统一为文本输入到文本输出，可多任务训练。 指令与上下文示例：自然语言描述任务并提供示例；是否更新参数要区分in-context learning和instruction tuning。 推理提示与Self-Consistency：适用于确实需要多步且结果可验证的任务。Self-Consistency从随机采样的多条推理路径聚合答案，不适用于temperature=0的单一路径；产品…
…强化，参数校验用代码硬约束 四、两阶段学习策略 阶段1：模仿学习（冷启动） 来源：人工标注轨迹、规则引擎历史日志、GPT-4蒸馏 训练：SFT + 思维链监督，重点学习工具选择时机和参数填充 数据配比：成功轨迹70% + 失败恢复案例30% 阶段2：在线强化学习 奖励模型：结果奖励（任务完成）+ 过程奖励（格式合规、不重复调用） 算法选择：PPO初期稳定，DPO后期高效迭代 关键技巧：引入"拒绝采样"过滤低质量轨迹，减少探索成本 五、评估机制 离线评估：单元测试（单工具准确率…
学习内容与项目面试，在同一条路上。