标签
本文针对大语言模型在多轮对话中因信息分散而表现不佳的“迷失在对话”问题，提出了一种可扩展的分片流水线，将单轮问答数据集转化为多轮训练数据，并利用基于可验证奖励的强化学习训练一个维持紧凑滚动记忆的记忆增强策略，从而提高了多轮推理准确性，并零样本泛化到更困难的任务。