Controlling Reasoning Effort in LLMs

学完你能

• 用自己的话说清“推理模型”在 LLM 语境下的定义，即输出中间推理轨迹的模型
• 区分训练期扩展与推理期扩展两条提升任务表现的路径
• 说明 RLVR 的奖励信号如何构成，以及为何只奖励最终答案与格式
• 解释“Aha 时刻”与自我纠错现象出现的训练原因
• 概述 DeepSeek-R1-Zero 纯 RL 路线与多阶段训练流水线的差别
• 说明自一致性（多数投票）作为推理期扩展方法的基本做法

适合你吗

课程特点

内容侧重

按内容目录判断

练习与项目

原站未提供配套练习；可在阅读后自己整理一张“训练期扩展 vs 推理期扩展”的对比笔记。

学习时长

1 个课节原站未给出统一学习时长；实际用时取决于已有基础。

内容费用

免费节选可直接读到前 3 节正文，未见付费墙或登录拦截。

内容覆盖

• 1. A brief definition of reasoning models
• 2. A brief overview of training and inference scaling reasoning models
• 2.1 Training reasoning models
• 2.2 “Aha” moments
• 2.3 Inference scaling in a nutshell
• 3. Think tokens（正文节选至此为止，后续小节未提供）