小規模言語モデルはマルチホップ推論で大規模モデルに勝てるか：資源制約下での強化学習フレームワーク

要約

本研究は、計算資源が限られた環境で小規模言語モデルがマルチホップ推論を行う際の課題を解決するフレームワーク「DAVID-GRPO」を提案します。従来の強化学習は高コストな環境に依存していましたが、本手法は証拠の想起に基づく報酬設計や探索の改善により、1.5B規模のモデルでも高い精度を実現しました。

全文は有料プランで閲覧できます。