★ 4
arXiv 证明 RL 评论家可直接复用为 LLM 置信度估计器
论文比较同等容量的自评与外部置信度估计器，发现仅基于策略行为轨迹训练的外部模型即可达到与策略自身相当的置信度估计精度。作者进一步证明在基于正确性的结果下，置信度估计与评论家训练等价，因此经价值型强化学习训练的 LLM 可直接复用现有评论家作为置信度估计器，无需额外训练或数据，在数学、代码、工具调用…
arXiv NLP7 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文比较同等容量的自评与外部置信度估计器，发现仅基于策略行为轨迹训练的外部模型即可达到与策略自身相当的置信度估计精度。作者进一步证明在基于正确性的结果下，置信度估计与评论家训练等价，因此经价值型强化学习训练的 LLM 可直接复用现有评论家作为置信度估计器，无需额外训练或数据，在数学、代码、工具调用…