标签 · #math-reasoning

TTPO通过非对称策略优化实现无标签数学推理

为什么值得读 工程师可以在测试时提升大语言模型的推理能力，而无需依赖昂贵或不可用的真实标签。

TTPO利用多数投票伪标签，在无需真实标签数据的情况下，于竞赛级数学基准测试中实现了与有监督学习相当的性能。