TEMPO 训练法大幅刷新 ARC-AGI-3 成绩

dots3-note 采用 TEMPO 机制应对长程任务奖励稀疏问题：一次 rollout 可长达数十小时，TEMPO 将轨迹切分为宏步骤做递归自评与过程奖励，使其在 ARC-AGI-3 上得分比基线高 31.5%、比标准强化学习 GRPO 高 20.6%，且长轮次交互中性能持续提升。测试时学习还让模型能在未知环境中探索、自我纠错并复用经验，行为泛化到未曾训练的游戏《Slay the Spire》。

2026-08-30 ~ 2026-08-31 · 3 条相关