一种基于在线树搜索的训练方法、装置、设备及介质

本发明涉及网络信息技术领域，尤其涉及一种基于在线树搜索的训练方法、装置、设备及介质，其中，方法包括：基于熵引导树搜索对给定提示信息进行初始化处理，生成引导树根；根据熵值选择引导树根的分叉点，对引导树的分叉点进行扩展处理，得到树结构；利用蒙特卡洛方法计算树结构中的节点值，基于树结构中的节点值计算奖励信号并强化树搜索策略模型。通过树搜索增强探索多样性，利用过程监督提高学习效率，形成一个闭环优化系统，显著提升大语言模型在数学、编程等复杂推理任务上的能力，具有广泛的应用价值。