研究者提出三元奖励训练RH方法
热点事件持续更新
研究者提出三元奖励训练RH方法
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
Mohamad Amin Mohamadi、Tianhao Wang、Zhiyuan Li 提出 Reinforced Hesitation（RH），将可验证奖励强化学习（RLVR）的二元奖励改为三元奖励：答对得 +1、弃答得 0、答错得 -λ，让“我不知道”成为一等的训练目标。 他们提出该方法的背景是：前沿模型在 GSM8K、MedQA、GPQA 上几乎从不弃答，即便面临严重惩罚警告也照答不误。
AI 根据报道生成 · 2 小时前更新
最新进展10月7日 12:00
用强化犹豫训练可信语言模型：让「我不知道」成为一等训练目标报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- arXiv：cs.LG用强化犹豫训练可信语言模型：让「我不知道」成为一等训练目标
针对前沿模型在 GSM8K、MedQA、GPQA 上几乎从不弃答、即便面临严重惩罚警告也照答不误的问题，研究者提出 Reinforced Hesitation（RH），将 RLVR 的二元奖励改为三元奖励（+1 正确、0 弃答、-λ 错误）。
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。