Компьютерные науки > Машинное обучение [представлено 3 марта 2026 (v1), последний пересмотренный вариант 9 сентября 2026 года (эта версия, v5)] Название: Проверка для усиления: Улучшить рассудок с помощью обобщаемой схемы проверки PDF HTML (экспериментальное) резюме: модели большого языка (LMS), использующие цепочку мышления, продемонстрировали большой потенциал решения сложных задач в области обоснования и планирования. Несмотря на эти достижения, полученные в результате УЗО результаты по-прежнему подвержены ошибкам, что делает проверку важной для надежных систем рассуждения. Усвоенные проверяющие могут повысить доверие, обеспечить соблюдение ограничений безопасности и привести их в соответствие с личными предпочтениями, а также обеспечивать обратную связь для улучшения процесса формирования. Это создает центральную задачу: когда для руководства поколением используются опытные проверяющие, цикл обратной связи между генератором и проверяющим органом может вызвать сдвиг в распределении. Это особенно заметно для моделей вознаграждения за процессы, выдающегося класса обучавшихся контролеров, которые оценивают или классифицируют отдельные этапы в цепочку рассуждений. Исходя из этой задачи, мы предлагаем новую онлайновую систему обучения для проверяющих цепочек, которая с учетом заявления проблемы и следа аргументации проверяет правильность каждого этапа рассуждения с учетом предыдущих шагов. Подчеркнув асимметричную роль ошибок в отношении обоснованности (признающих неправильный…
Проверка для повышения эффективности: совершенствование обоснования путем проверки с использованием накопленной практики
arXiv: 2603.0353838v5 Тип уведомления: заменить резюме: Большие языковые модели (ММЛ) с использованием цепочки мышления продемонстрировали большой потенциал для решения сложных задач в области рассуждения и планирования. Несмотря на эти достижения, полученные в результате УЗО результаты по-прежнему подвержены ошибкам, что делает проверку важной для надежных систем рассуждения. Усвоенные проверяющие могут повысить доверие, обеспечить соблюдение ограничений безопасности и привести их в соответствие с личными предпочтениями, а также обеспечивать обратную связь для улучшения процесса формирования. Это создает центральную задачу: когда для руководства поколением используются опытные проверяющие, цикл обратной связи между генератором и проверяющим органом может вызвать сдвиг в распределении. Это особенно заметно для моделей вознаграждения за процессы, выдающегося класса обучавшихся контролеров, которые оценивают или классифицируют отдельные этапы в цепочку рассуждений. Исходя из этой задачи, мы предлагаем новую онлайновую систему обучения для цепочек проверки, которая при условии описания проблемы и ее анализа проверяет t