Mga Papel at Pananaliksik

Pinahusay ng OpenAI ang mathematical reasoning gamit ang process supervision, nakamit ang bagong SOTA

Orihinal na pamagat:Improving mathematical reasoning with process supervision

AI summary

Nakamit ng sinanay na modelo ng OpenAI ang bagong state-of-the-art sa paglutas ng mga problema sa matematika; ang paraan ay pagbibigay ng reward sa bawat tamang hakbang ng pangangatwiran (process supervision) sa halip na reward lamang sa huling tamang sagot (outcome supervision). Bukod sa pagpapahusay ng performance, may benepisyo rin sa alignment ang process supervision: direktang sinasanay nito ang modelo na gumawa ng chain of thought na tinatanggap ng tao.

Mahahalagang impormasyon

  • Nakamit ng sinanay na modelo ng OpenAI ang bagong state-of-the-art sa paglutas ng mga problema sa…
  • ang paraan ay pagbibigay ng reward sa bawat tamang hakbang ng pangangatwiran (process supervision)…
  • Bukod sa pagpapahusay ng performance,may benepisyo rin sa alignment ang process supervision:…

Mabilisang tingin

Na-publish noong
Na-update noong
Pinagmulan
OpenAI:官网动态(RSS · 排除企业/客户案例)
Kategorya
Mga Papel at Pananaliksik
AI na marka
73
Basahin ang orihinal Basahin ang buong artikulo sa orihinal na pinagmulan
Dahilan ng rekomendasyon

原文说明过程监督相对结果监督的性能提升与对齐收益,读者可了解一种训练思路的取舍。

Kaugnay na Entity

Pinagmulan at copyright

Ang artikulong ito ay batay sa mga piling pamagat at AI summary mula sa pampublikong API ng AIHOT, may nakasaad na pinagmulan at backlink; ang copyright ng orihinal na teksto ay pag-aari ng orihinal na media at may-akda, hindi namin ginagaya ang buong teksto.

Link ng orihinal · Entry sa AIHOT

Paano banggitin

Kapag binabanggit ang artikulong ito, panatilihin ang pamagat, petsa at permanenteng link, at banggitin ang Orange News bilang pinagmulan.

Orange News: Pinahusay ng OpenAI ang mathematical reasoning gamit ang process supervision, nakamit ang bagong SOTA. 31 Mayo 2023. https://new.nat6.net/fil/news/s4dulkf6uwzeks7v0kv0u5j6o/

Tingnan lahat →