TTPO：无需标签的测试时策略优化
Aozhe Wang · hf · 2026-08-28
TTPO (Test-Time Policy Optimization) 是一种新方法，通过不对称地蒸馏一致的推理路径并惩罚不一致的路径，实现了无需标签的测试时训练。在数学推理任务上，该方法的表现已能匹敌监督学习方法。
所属事件:阿里浙大推出 TTPO，让 LLM 推理阶段无标签自我提升(3 条相关)→
「研究」频道最新
- Pathway CSO 演讲展望后 Transformer 架构 BDH：每瓦特更高智能 — schwentker · 2026-10-15
- EmbodiedEvo 登顶 RoboDojo：失败的机器人练习也能被下一个 agent 继承 — thetripathi58 · 2026-10-15
- 797GB n-gram 放进 CPU 内存，小模型硬扛多 57% 算力 — PangWeiKoh · 2026-10-15
- Google 论文 Harness²:无验证器下递归进化 agent harness,最高提升 11.5 分 — dair_ai · 2026-10-15
- Kambhampati 明尼苏达开讲：「LLM 思考 token 神话」的系统拆解 — rao2z · 2026-10-15
- 3D Gaussian Splatting 科普：机器人如何记住看不见的世界 — TheTuringPost · 2026-10-15