在这项工作中，清华大学教授、上海 AI Lab 实验室主任兼首席科学家周伯文团队，针对大语言模型（LLM）中的推理任务，研究了无明确标签的强化学习（RL）。该问题的核心挑战是在推理过程中，在无法获得 ground-truth 信息的情况下进行奖励估算。虽然这种设置似乎难以实现，但我们发现，测试时扩展
在这项工作中，清华大学教授、上海 AI Lab 实验室主任兼首席科学家周伯文团队，针对大语言模型（LLM）中的推理任务，研究了无明确标签的强化学习（RL）。该问题的核心挑战是在推理过程中，在无法获得 ground-truth 信息的情况下进行奖励估算。虽然这种设置似乎难以实现，但我们发现，测试时扩展
By