UC伯克利新作颠覆认知：LLM靠「自信爆表」学会推理？无需外部奖励超进化

UC伯克利团队发现，大型语言模型 (LLM) 可通过“自信”进行推理，无需外部奖励。研究提出基于内部反馈的强化学习 (RLIF) 范式，利用“自我确定性”作为奖励信号，提升模型在数学和代码生成任务中的表现，且无需人类标注。该方法在数学任务中表现接近 GRPO，在代码生成方面更优，并能有效提升模型指令遵循能力。实验表明，RLIF 能有效避免奖励滥用，在线自我确定性机制使模型训练更稳健。