提出LSPO训练方法，单次推理逼近测试时反思性能

Ren Zhuang、Ben Wang和Shuifa Sun在arXiv论文（arXiv:2610.20350）中提出Lifted State Policy Optimization（LSPO），将带有学习到的连续坐标的文本答案状态转变作为主要学习单元，目标是把自我修正内化为单次推理策略。 论文声称，在Qwen3.5-27B上，所得单次推理策略在数学、科学、代码和逻辑基准上达到71.8%的总体准确率，与测试时反思（test-time reflection）的71.9%相当，同时延迟降低28%、token数减少25.8%。以上结果来自论文自述，尚无独立验证。

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。