検索に戻る
案件記録

基于可验证奖励强化学习的警务案情慢推理大模型训练方法及系统

発明不明
9請求項 · 2 独立
§ Ⅰ

案件概要

発明者

杨宗霖; 邢文鹏; 于苇杭; 吴超飞; 李楠; 林昶廷; 芦天亮; 韩蒙

出願日

Jun 23, 2026

公開日

Oct 20, 2026

IPC分類

G06N 5/04 (2023.01)G06N 3/092 (2023.01)G06N 20/00 (2019.01)G06F 18/214 (2023.01)

本发明公开了一种基于可验证奖励强化学习的警务案情慢推理大模型训练方法及系统,涉及人工智能和自然语言处理技术领域。所述方法包括:构建由要素覆盖子奖励、法条引用子奖励和证据链闭合子奖励加权组合的可验证奖励函数,其中证据链闭合子奖励基于推理轨迹的加权有向图,从锚定闭合度、拓扑闭合度、汇聚闭合度和时序一致度四个维度获取;利用公开裁判文书构造的案情推理对进行冷启动监督微调;通过分组相对策略优化方法在无标签案情语料上进行自我进化训练;强制模型输出遵循包含线索提取、假设生成、证据验证和结论四阶段的双段式推理协议。本发明三个子奖励均通过规则匹配和结构化分析自动获取,使大语言模型获得慢思考能力。

ログインして全文を読む

請求項 1 を表示しています。無料登録で全 9 項の請求項、明細書全文、全図面、翻訳、法的状態を閲覧できます。

  • 全請求項
  • 技術分野
  • 背景技術
  • 発明の概要
  • 図面の説明
  • 発明を実施するための形態

外部リソース