阿里浙大推出 TTPO，让 LLM 推理阶段无标签自我提升

阿里巴巴与浙江大学联合提出测试时策略优化方法 TTPO，让大模型在推理阶段无需任何真值标签即可持续自我改进。研究观察到多数投票产生的伪标签较为脆弱，因此 TTPO 采用非对称框架，对一致的推理路径进行蒸馏、对不一致路径加以惩罚，从而完成无标签的测试时训练。在数学推理任务上效果显著，Qwen3-1.7B 提升约 7 分，性能可匹配监督蒸馏方法。

2026-08-28 ~ 2026-08-29 · 3 条相关