Chain of Faith论文：四种策略奖励提升推理依赖

2026年11月3日，Fanyu Meng等人在arXiv发布论文《Chain of Faith》，旨在解决链式思维解释与模型实际答案脱节的问题。研究提出四种基于策略信号的奖励机制，包括梯度敏感性、置信度差距、渐进置信度增益及推理提示词交换奖励，并将这些机制整合进GRPO训练流程。 在GSM8K和StrategyQA两个基准上，研究团队评估了两个小模型的表现。实验结果显示，部分奖励配置提升了模型答案对推理过程编辑的依赖程度。然而，这种提升对模型准确率和改写鲁棒性的影响并不一致，不同配置下的表现存在差异。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。