step-level-reward

#step-level-reward

已知事实导致的推理错误：Step-Level Self-Consistency Group Relative Policy Optimization for LLM

arXiv cs.CL ↗ · 2026-07-22 缓存

本文介绍了SSC-GRPO，一种步级奖励优化方法，通过多次 rollout 中的自一致性分数来减少大语言模型推理中上下文敏感的事实幻觉，在数学推理和幻觉基准测试上达到了最先进的性能。

0 人收藏 0 人点赞