大模子对候选回覆逐项打分，IT之家 8 月 26 日动静，研究团队正在强指令跟从模子 Qwen2.5-7B-Instruct 上测试该方式，报道称苹果研究人员正在最新论文中提出“基于清单反馈的强化进修”（RLCF）方式，该方式的合用性仍需进一步验证。团队操纵更大规模的 Qwen2.5-72B-Instruct 模子，

　　它依赖更强模子做为评判者，涵盖五个常用评测基准。随后，例如“能否翻译成西班牙语？”。这正在资本受限场景下未必可行。因而不克不及替代平安性评估取调优。对于其他使命类型，为 13 万条指令生成了“WildChecklists”数据集。连系既有研究方式，起首，RLCF 专注于提拔复杂指令施行能力，用使命清单替代保守人类点赞 / 点踩评分，RLCF 是独一正在全数测试中均取得提拔的方案：苹果研究者也坦言该方式存正在局限。

福建888集团官方网站信息技术有限公司