PivotTrace：按元认知转折三分类选取RLVR训练数据
热点事件观察中
PivotTrace：按元认知转折三分类选取RLVR训练数据
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
Guangcheng Zhu 等在 arXiv 论文（arXiv:2606.04503v2）中提出 PivotTrace，一个面向 RLVR 训练的数据三分类（three-way triage）框架，用于在没有预先监督的情况下从未标注推理样本中选出适合训练和标注的数据。该方法利用注意力动态追踪推理过程中的元认知转折（metacognitive pivots）密度，并据此自动将样本路由到三类。 作者称，PivotTrace 仅使用 29.3% 的标注样本即可超过全监督大型推理模型，收敛速度提高 2.75 倍。当前材料仅提供论文摘要，具体模型、基线和实验细节未说明。
AI 根据报道生成 · 10 小时前更新
最新进展10月20日 12:00
PivotTrace 通过追踪元认知转折提升推理 RLVR 的数据效率报道时间线
沿着报道，了解事件的不同侧面。
10月20日
- arXiv · cs.AIPivotTrace 通过追踪元认知转折提升推理 RLVR 的数据效率
研究提出 PivotTrace，用于在没有预先监督的情况下选择最适合 RLVR 训练和标注的未标注推理样本。该框架依据注意力动态量化推理中的元认知转折密度，并据此自动进行三类数据路由；作者报告仅使用29.3%的标注样本即可超过全监督大型推理模型，收敛速度提高2.75倍。当前材料仅提供论文摘要，未说明具体模型、基线和实验细节。
本事件热度走势
- 可比范围当前
- 5
- 可比范围峰值
- 610月21日 06:00
- 近 24 小时变化
- –
0246
06:0008:0010:0012:0014:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。