پژوهش
پیش‌چاپ arXiv: پاداش‌دهی بر پایهٔ زنجیرهٔ استدلالِ به‌هم‌ریخته برای بهبود دقت مدل‌ها
پژوهش CRoS می‌کوشد پاداش‌های یادگیری تقویتی را به نقش علّی زنجیرهٔ استدلال در پاسخ پیوند دهد؛ اما چکیدهٔ در دسترس جزئیات روش و نتایج را نشان نمی‌دهد.
در پیش‌چاپی در arXiv، پژوهشگران روش CRoS را با عنوان «پاداش علّی روی زنجیره‌های استدلالِ به‌هم‌ریخته» معرفی کرده‌اند و در عنوان مقاله می‌گویند این روش دقت و وفاداری استدلال را بهبود می‌دهد.
چکیده توضیح می‌دهد که یادگیری تقویتی با پاداش‌های قابل‌راستی‌آزمایی (RLVR) معمولاً درستی پاسخ نهایی را مبنای پاداش قرار می‌دهد؛ اما درست‌بودن پاسخ به‌تنهایی تضمین نمی‌کند که زنجیرهٔ استدلال (CoT) واقعاً در رسیدن به آن نقش علّی داشته باشد. همچنین، روش‌های پیشین برای سنجش این نقش، زنجیرهٔ استدلال را دست‌کاری می‌کنند—مثلاً با حذف گام‌ها یا افزودن خطا—و سپس تغییر پاسخ را می‌سنجند. به‌گفتهٔ نویسندگان، این دست‌کاری‌ها اطلاعات هر گام را نیز تغییر می‌دهند؛ بنابراین امتیاز علّی بالا ممکن است بازتاب حساسیت مدل به تغییر اطلاعات باشد، نه اثر علّی واقعی زنجیرهٔ استدلال.
متن چکیدهٔ ارائه‌شده پیش از شرح کامل روش CRoS و نتایج آن قطع می‌شود؛ ازاین‌رو جزئیات ادعای بهبود در دسترس نیست.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده