arXiv cs.LG· Ren Zhuang, Ben Wang, Shuifa Sun·· 7 小时前AI 评分29
Qwen3.5-27B 新方法 LSPO：单次推理达 71.8% 准确率，媲美测试时反思
Lifted State Policy Optimization: Internalizing Self-Correction through Transition Geometry
AI 导读
研究提出 Lifted State Policy Optimization（LSPO），将推理状态间的有限转移作为学习单元，通过能量函数排序并内化低能量答案。在 Qwen3.5-27B 上，单次推理策略在数学、科学、代码和逻辑基准上达到 71.8% 聚合准确率，与测试时反思的 71.9% 相当，但延迟降低 28%、token 用量减少 25.8%。
来源：arXiv cs.LG · arxiv.org