跳到正文
LessWrong · All Posts· afterless·· 2026-10-17AI 评分30

Qwen 3.8 27B 通过 Reward Laundering 提升 CoT 可控性

LLMs can improve CoT Controllability via Reward Laundering

AI 导读

Qwen 3.8 27B 能通过 Reward Laundering 提升 CoT 可控性,并泛化至未见任务,同时恢复主任务性能。 实验在 Tinker 中使用 REINFORCE 训练;效果受控制任务难度、虚假相关(如长度影响)及操作失误显著影响。

来源:LessWrong · All Posts · lesswrong.com