TEMPO 递归自评：把数十小时轨迹切成宏步骤做过程奖励
SarahAnnabels · x · 2026-08-30
dots3-note 采用 TEMPO 机制解决长程任务的奖励稀疏问题：一次 rollout 可能长达数十小时，最终奖励来得太晚、无法说明哪些动作真正有效。TEMPO 将轨迹切分为宏步骤，同一模型在每个步骤从 actor 切换为 critic——对自身状态推理、调用工具、估计是否取得真实进展，形成递归式自我批评。
所属事件:TEMPO 训练法大幅刷新 ARC-AGI-3 成绩(3 条相关)→
「模型」频道最新
- RLM 换用 Jev 子调用：1M token 下成本减半、速度快 6 倍 — lateinteraction · 2026-10-16
- 斯坦福用户称 OpenAI 合同期内将 ChatGPT Edu Pro 用量砍半 — DJiafei · 2026-10-16
- MiniCPM-V 4.7 上了手机:35B MoE 在 iPhone 上 3GB 内存跑出 13+ tokens/s — heyshrutimishra · 2026-10-16
- IQuest-Q1 单条提示 2 分钟写出 629 行深海潜艇游戏 — Div_pradeep · 2026-10-16
- 试用 Grok bot 却先收到 Cursor 欠费账单，两账户合并需先补款 — haydendevs · 2026-10-16
- TensorFold 1.0.12 发布：120B 视觉模型跑进 1-2 台 DGX Spark — HankYeomans · 2026-10-16