摘要
大语言模型常因无法承认不确定性而生成误导性答案，尤其在时序问答中易混淆不同时期的事实。本文首次实证研究了训练模型在时序推理中具备“弃权”能力的方法。作者将弃权视为可习得技能，提出结合思维链监督与弃权感知奖励的强化学习流程。实验表明，该方法显著提升了推理性能及不可回答问题的识别率，优于纯监督微调，并揭示了隐式信息对推理助益有限，为构建更可靠的模型提供了新见解。
AI 推荐理由
论文核心研究时序推理中的不确定性处理，通过强化学习优化推理与弃权行为。
研究机构
HKUST (GZ)
Tongji University
University of Tübingen
HKUST, HKUST (GZ)
论文信息