PaceReasoner无标签测试时强化学习框架提出

Changguo Jia 等作者提出 PaceReasoner，一个无需标注的测试时强化学习框架：用模型自身的长推理响应来提升短模式作答的准确率，两种模式共享同一可训练策略。 作者称，在三种模型骨干和四个基准上，该框架的短模式平均准确率较基线提升 7.4–13.5 个百分点，平均每次响应少于 25 个推理 token；跨数据集结果显示出超越适配集的迁移能力。其方法通过渐进式置信度加权监督、行为奖励和比例控制器平衡长短模式。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。