**无标签偏置引导:将测试时强化学习压缩至偏置子空间**

_Label-free steering: Compressing test-time reinforcement learning into bias-only subspaces_

> 该研究提出一种无标签偏置引导测试时强化学习(TTRL)方法,仅优化约10万偏置参数并冻结主干网络,利用多数投票伪标签作为奖励。在MATH-500上,Qwen2.5-7B模型准确率达76.67%,参数量优化效率比全参数TTRL高7.6万倍,且效果可迁移至视觉、音频推理任务及未见过的数学问题。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:论文
- **发布时间**:2026-10-01 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2609.18587)