TTRL：无标签测试集上的在线强化学习

保真度：核心机制复现。本页不把确定性 mini-suite 冒充原论文完整 benchmark。

论文信息

字段	内容
论文链接	TTRL：无标签测试集上的在线强化学习（arXiv 2504.16084）
公司 / 机构	PRIME-RL author team
首次公开日期	2025-04-22（arXiv v1）
原作者代码	已开源
本地 adapter / 方法键	ttrl
本地复现代码	src/auto_research/post_training/

原始论文总结

背景与主要改动

同一测试题多次采样，以多数一致答案作为伪标签并即时更新模型，不访问 gold label。

flowchart LR
 A["公开输入 / 历史"] --> B["ttrl 训练 / 执行闭环"]
 B --> C["论文特有状态或目标"]
 C --> D["同预算评测"]

原论文关键图

原论文 Figure 2（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ \hat y=\operatorname{mode}\{y_k\}_{k=1}^K,\quad r_k=\mathbf1[y_k=\hat y],\quad\theta' = \theta+\eta\nabla J_{GRPO}(r). \]

论文离线与线上效果

论文在多个 reasoning benchmark 与模型规模上报告 test-time 提升；无生产 A/B。 论文未报告生产线上 A/B，本页不补造线上数字。

本地复现

Arithmetic candidate suite、120 steps、256 examples、seed 42：accuracy 0.2344 → 0.2344（+0.00%）；奖励、KL、长度和候选预算一致。

auto-research post-train --algorithm ttrl --dataset arithmetic-smoke --maximum-examples 256 --steps 120 --seed 42
auto-research evolve --model post-training --dataset arithmetic-smoke --direction "组合 ttrl 与已安装论文算子" --generations 2 --population 4

固定指标见 ../../experiments/global-p0-20260808-seed42.json。

复现边界

本地只验证论文特有目标、状态更新和公平预算；没有复刻原论文的大模型、多卡 RL、私有环境、真实网页或完整 benchmark，因而只报告机制验证，不声称数值复现原表。