研究者提出Reinforced Hesitation训练方法
热点事件持续更新
研究者提出Reinforced Hesitation训练方法
1 篇报道1 个报道来源9 小时前更新
先了解这件事
AI 综述
Mohamad Amin Mohamadi等作者提出Reinforced Hesitation（RH），把可验证奖励强化学习（RLVR）的二值奖励改为三元奖励：答对得+1、弃权得0、答错扣λ。 据该研究，在逻辑谜题、MATH Levels 4-5和医疗QA上训练出的模型沿帕累托前沿分布：惩罚较低时倾向激进作答，惩罚较高时倾向保守弃权。
AI 根据报道生成 · 8 小时前更新
最新进展10月7日 12:00
用强化犹豫让语言模型学会弃权：Reinforced Hesitation 将「我不知道」变为协调信号报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- arXiv cs.LG用强化犹豫让语言模型学会弃权：Reinforced Hesitation 将「我不知道」变为协调信号
研究者提出 Reinforced Hesitation（RH），将 RLVR 的二值奖励改为三元奖励（+1 正确、0 弃权、-λ 错误），在逻辑谜题、MATH Levels 4-5 和医疗 QA 上训练出沿帕累托前沿分布的模型：低惩罚倾向激进作答，高惩罚倾向保守弃权。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。