TTPO 论文：无需标准答案，Qwen3-1.7B 平均准确率从 38% 升至 45.2%
TheTuringPost · x · 2026-09-02
Turing Post 介绍了测试时策略优化论文 TTPO（Test-Time Policy Optimization），展示模型可以在完全没有 ground-truth 答案的情况下自我学习。
方法要点：
- 模型从不看到真实答案，只把自己多次尝试的多数投票结果当作伪标签
- 与多数意见一致的解被视为可能有用，不一致的被视为可能有错——但不惩罚整个解，只惩罚其中最可疑的 token
- 这种非对称处理降低了「强化错误答案」的风险，比把多数答案当作绝对正确更稳健
效果：
- Qwen3-1.7B 平均准确率从 38.0% 提升到 45.2%，全程不使用答案标签
- 方法可跨数学 benchmark 迁移，说明模型学到的不只是单个数据集的答案
意义：没有标准答案的开放场景下，模型依然可以靠自我一致性完成测试时学习。
所属事件:TTPO论文实现无需标准答案的测试时学习(2 条相关)→
「模型」频道最新
- Mistral 发布 Timestral 时序预测模型，500 万参数可跑普通 CPU — lmoroney · 2026-10-18
- AutoTrust 模型被曝刷榜:仅 17 天冲上 HF 史上点赞第 10 — realmrfakename · 2026-10-18
- Google AI Studio 全面升级:Gemini 4 Argon 驱动全栈应用一键部署 — clmt · 2026-10-18
- 爆料:OpenAI 下周将发布新模型,代号 aurora 疑似三款 alpha — imjustnewatai · 2026-10-18
- 用户吐槽 Gemini 推出 Argon 后大面积卡顿：一半请求挂起 — johnfromberkeley · 2026-10-18
- Domingos：叠加是特性而非缺陷，不损可解释性反增记忆容量 — pmddomingos · 2026-10-18