使用场景
使用该模型提升聊天机器人在复杂问题上的推理能力。
在教育应用中，帮助学生解决逻辑推理题目。
为内容创作者提供智能化的写作辅助，提升创作效率。
产品特色
高质量推理轨迹：使用经过筛选的 1000 个推理问题进行微调。
有效的策略梯度算法：引入 diffu-GRPO，以适应掩蔽扩散大语言模型。
对数概率估计：采用均场近似方法，提供高效的对数概率估计。
随机掩蔽：创建扰动视图，增强策略优化的正则化效果。
稳定的学习动态：提高内更新的次数，降低外部批量迭代需求。
使用教程
下载并安装模型软件。
准备高质量的推理问题数据集。
执行掩蔽自监督微调。
应用 diffu-GRPO 进行策略优化。
评估模型在实际应用中的表现并进行调整。
