迈向更好的法律推理法学硕士：信号平衡和奖励安排

原文：Towards Better Legal Reasoning LLMs: Signal Balancing and Reward Scheduling

在法律领域，法学硕士可以通过生成明确的推理轨迹来提高可靠性和可解释性。然而，培训法学硕士以产生高质量的推理轨迹仍然具有挑战性。当推理轨迹明显长于最终答案时，现有的监督微调方法就会陷入困境，因为答案的学习信号会被稀释。同时，强化学习

正文由本站服务器抓取保存（已自动过滤广告、推荐位与追踪图片），排版与原站可能不同；版权归原站所有。