HuggingFace Daily Papers·2026-09-28 08:00· 4 天前AI 评分39

无标签引导：将测试时强化学习压缩到仅偏置子空间

Label-free steering: Compressing test-time reinforcement learning into bias-only subspaces

AI 导读

一种无标签、仅优化偏置参数的测试时强化学习（TTRL）方法，用多数投票伪标签作为奖励，冻结预训练主干，仅训练约 100K 偏置参数。在 MATH-500 上，Qwen2.5-7B 达到 76.67% 准确率，略超其有标签偏置引导复现结果，且参数量比全参数 TTRL 少 76,000 倍。