**TTPO：无需标签的测试时策略优化，让大模型数学推理再上一个台阶**

_TTPO: Test-Time Policy Optimization_

> HuggingFace社区热门论文提出TTPO方法，通过非对称目标函数实现测试时策略优化，无需任何真实标签即可蒸馏 agreeing rollout 并惩罚 disagreeing rollout。在Qwen3-1.7B上，TTPO将数学推理准确率从38.0%提升至45.2%，在五个竞赛级基准上达到标签监督OPSD的水平，展现出强大的跨任务泛化能力。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-08-28 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2608.27448)