Goodfire Research·· 2026-02-11精选AI 评分63
Goodfire 发布 RLFR 方法：用内部特征探针作奖励将 Gemma-3-12B-IT 幻觉率降低 58%
Features as Rewards: Using Interpretability to Reduce Hallucinations
AI 导读
Goodfire Research 发布论文，提出 RLFR（Reinforcement Learning from Feature Rewards），用模型内部激活上的轻量探针作为 RL 奖励信号来减少幻觉。
推荐理由
原文给出了用模型内部探针作为 RL 奖励降低幻觉的具体方法、成本对比和消融数据，读者可以据此评估可解释性驱动训练的可行性。
来源：Goodfire Research · goodfire.com