该项目旨在训练一种能够自我奖励推理的大型语言模型,使模型在推理过程中能够自主评估输出的正确性,而无需依赖外部反馈。通过结合强化学习技术,模型能够显著提升推理能力和自我修正能力,最终准确率提升最高可达14.2%。
字节跳动提供 DeepSeek R1、OpenAI o1、GPT-4o、Claude 3.5 和 Gemini 1.5等领先大模型