奖励训练让14B模型学会守住证据边界

YaJie Yin 提交的预注册受控 knock-in 研究显示，在无形式化答案、未获评估邀请的行动压力场景下，对 14B 同族模型采用 SFT 后接 GRPO 的边界保持训练，可把证据充分性判断中的自发正确拒答率从基线 25% 提升至 100%（每组 40 例，Wilson 95% CI 下限 91.2%，与基线区间 [14.2%, 40.2%] 不重叠）。 作为对照，打乱配对的安慰剂组自发正确率降至 5%，误拒率达 91.1%。作者称该结果仅限这一受控的 14B 同族研究，不主张构成证明、跨族通用性或经独立人类专家验证，评分环节由模型而非人类评审完成。

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。