大模型训练方法、问答方法、相关设备及程序产品

本申请公开了一种大模型训练方法、问答方法、相关设备及计算机程序产品，本申请获取问答训练数据；将问题样本送入待训练的大模型进行推理，得到大模型的预测输出；基于大模型推理过程产生的隐层状态特征计算探索奖励，探索奖励用于鼓励大模型采用未知的推理路径处理所述问题样本；基于预测输出和答案标签计算结果奖励；按照探索奖励和结果奖励，采用强化学习方式更新大模型的参数。本申请在强化学习过程额外增加了探索奖励，能够鼓励大模型探索未知的推理路径，避免陷入局部最优，提升了大模型在面对复杂问题时发现更优的推理路径的概率，进而提升了大模型在复杂推理任务上的表现，提高了对复杂推理问题的回答结果的准确度。