タグ · #self-distillation

TTPOは非対称ポリシー最適化によりラベルなし数学推論を実現

読む理由 エンジニアは、高価または入手困難な正解ラベルに頼らず、テスト時にLLMの推論能力を向上させることができます。

TTPOは多数決による疑似ラベルを用い、正解データなしでコンペティションレベルの数学ベンチマークにおいて教師あり学習と同等の性能を達成します。