研究人员开发了测试时策略优化(TTPO)这一新方法,可在不依赖真实标签的情况下提高大型语言模型的数学推理能力。TTPO通过采用一种区分正确预测和错误预测的不对称目标函数,解决了伪标签的脆弱性问题。这种方法实现了有效的测试时训练,在基准测试中达到了监督学习的性能水平,并显著增强了Qwen3-1.7B等模型的能力。 AI
影响 实现了LLM的无标签训练,有望加速用于复杂推理任务的模型的开发和部署。
排序理由 该集群描述了一篇关于改进LLM推理的新颖方法的最新研究论文。
在 Hugging Face Daily Papers 阅读 →
- arXiv
- Hugging Face
- large language models
- On-policy self-distillation
- Qwen3 1.7B
- reinforcement learning
- Grouped RL
- Test-Time Policy Optimization
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →