PaceReasoner无标签测试时强化学习框架发布

2026年10月14日，arXiv人工智能板块报道，Changguo Jia等作者发布PaceReasoner——一个无需标注的测试时强化学习框架，利用模型自身的长推理响应来提升其短模式准确率。该框架让两种模式共享同一可训练策略，通过渐进式置信度加权监督融合全响应与仅长响应的答案共识，并用行为奖励从鼓励短模式探索逐步转向与长答案一致，同时由比例控制器调节两模式平衡。据该报道，在三个模型骨干和四个基准上，PaceReasoner使平均短模式准确率较基线提升7.4至13.5个百分点，平均每条响应少于25个推理token。目前尚无后续跟进报道，事件仍处发布阶段。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。