733 B
733 B
title, created, updated, type, tags, sources
| title | created | updated | type | tags | sources |
|---|---|---|---|---|---|
| 测试时训练 RL (Test-Time Training with RL) | 2025-04-15 | 2026-05-01 | concept |
测试时训练 RL (Test-Time Training with RL)
在推理时对少量领域特定数据使用内在 URLVR 的轻量适应技术。
He et al. 的发现
尽管内在 URLVR 在规模化训练中存在根本限制，但在小数据集和测试时训练场景中安全有效——即使初始偏好完全错误也能避免崩溃。
这使得内在奖励成为"推理时快速适应"而非"大规模后训练"的理想工具。
相关概念
- unsupervised-rlvr — URLVR 全景
- intrinsic-rewards-sharpening — 底层机制
- he-urlvr-sharpening-2026 — 综述参考