论文分享➲ arXiv2025 | TTRL: Test-Time Reinforcement Learning

TTRL: Test-Time Reinforcement Learning

TTRL：测试时强化学习

https://github.com/PRIME-RL/TTRL

📖导读：本篇博客有🦥精读版、🐇速读版及🤔思考三部分；精读版是全文的翻译，篇幅较长；如果你想快速了解论文方法，可以直接阅读速读版部分，它是对文章的通俗解读；思考部分是个人关于论文的一些拙见，欢迎留言指正、探讨。最佳排版建议使用电脑端阅读。

---

目录

🦥精读版

Abstrct

  本文研究了在没有显式标签的数据上，针对大型语言模型（LLMs）推理任务进行强化学习（RL）的问题。该问题的核心挑战在于推理阶段无法获得真实标签（ground-truth），从而难以进行奖励估计。尽管这一设定看起来难以实现，我们发现测试时缩放（Test-Time Scaling, TTS）中的一些常用方法（如多数投票）可以提供出人意料地有效的奖励信号，足以驱动RL训练。为此，我们提出了一种新方法——测试时强化学习（Test-Time Reinforcement Learning, TTRL），该方法可在无标签数据上使用RL对大型语言模型进行训练。TTRL通过利用预训练模型中已有的先验知识，实现了模型的自我进化。我们的实验证明，TTRL能在多种任务和模型上持续提升性能。特别地，在AIME 2024测试集中，TTRL仅使用无标签的测试数据就使Qwen-2.5-Math-7B模型的pass@1性能提升了约159%。更值得注意的是，虽然TTRL仅依赖于Maj@N这一指标进行监督，但其表现已经稳定超过初始模型的上限，并接近那些在带标签测试数据上直接训练的模型性能。我们的实验结果验证了TTRL在多任务上的普适性和有效性，并展示了其在更广泛任务和领域中的应用潜力。

1 引言

  测试时缩放（Test-Time Scaling, TTS）（Zhang 等，2025b；Balachandran 等，2025）代表了一种新兴趋势，用于增强**大型语言模型（LLMs）**的推理能力。近期研究（Snell 等，2024；Liu 等，2025a）表明，相比于预训练阶段的模型扩展（Kaplan 等，2020），TTS在计算效率上更具优势，能够以相同的计算资源实现更优的性能表现。大量研究已经探讨了通过奖励模型（reward models）来提升TTS性能（Lightman 等，2023；Yuan 等，2024；Zhang 等，2025a；Zhao 等，2025），其方法包括在解码阶段使用多数投票（Stiennon 等，2020；Nakano 等，2021）和**蒙特卡洛树搜索（Monte Carlo Tree Search）**等策略。最近的一些领先的大型推理模型（Large Reasoning Models, LRMs），例如 DeepSeek-R1（Guo 等，2025）和 OpenAI 的 o1 模型（El-Kishky 等，2025），表明**强化学习（Reinforcement Learning, RL）**在提升长链式思维（chain-of-thought, Wei 等，2022）方面发挥着关键作用。然而，这些 LRM 模型在处理无标签、持续涌现的新数据流方面仍面临巨大挑战。例如，尽管 OpenAI 的 o3 模型在 ARC-AGI-1 基准上取得了 75.7% 的成功率，但在更具挑战性的 ARC-AGI-2（2025） 上却只能解决 4% 的问题。

  这些关于测试时缩放（TTS）的研究清晰地展示了训练时行为与测试时行为之间的差异，尤其是在关注训练阶段的基于强化学习（RL）的方法中尤为明显。然而，仅在大规模训练数据上应用RL方法，在应对新出现的、结构复杂的输入特征或分布变化时显得极其不足。最近，测试时训练（Test-Time Training, TTT）方法逐渐受到关注，该方法允许模型在测试时根据新输入的数据进行参数更新（Sun 等，2019；2024；Behrouz 等，2024；Akyürek 等，2024）。这些方法为使用RL在测试时微调模型、从而提升其对未见数据的泛化能力，提供了一个自然且前景广阔的方向。然而，这又引入了一个关键问题：在测试时，如何获得奖励信号或验证机制？随着现实世界任务在复杂性与规模上不断增长，为RL大规模标注此类数据已变得愈发不可行。这为当前领先模型的持续学习带来了巨大障碍。

  为了解决上述问题，我们提出了测试时强化学习（Test-Time Reinforcement Learning, TTRL）方法，它通过强化学习实现测试阶段的训练。TTRL 在 rollout 阶段使用重复采样策略，以精确估计标签并计算基于规则的奖励，从而使RL可在无标签数据上开展训练。通过引入有效的多数投票奖励机制，TTRL 能够在缺乏真实标签的情况下，促使RL训练高效且稳定地进行。如前所述，现实任务的不断演化必然会导致无标签数据比例越来越高，而TTRL则直接应对了在缺少明确监督的条件下训练模型的问题，研究模型在该关键场景下的自我探索与学习能力。从本质上讲，TTRL使模型能够生成自身的学习经验、估算奖励并在过程中不断提升性能。

  在实验中，将 TTRL 应用于 Qwen2.5-Math-7B 模型，在 AIME 2024 数据集上实现了 159% 的性能提升（从 13.3 提升至 43.3），并在 AMC、AIME 以及 MATH-500 三个数据集上平均提升 84%。这一提升完全是通过自我进化（self-evolution）实现的，无需任何标注训练数据，且性能提升能够进一步推广至其他任务。TTRL 不仅提高了 pass@1 的表现，还通过多数投票机制改进了 测试时缩放（TTS）。此外，我们的初步实验表明，TTRL 在不同规模和类型的模型上都表现出良好的通用性，并且可以与现有的 RL 算法集成使用。我们还发现，TTRL 具有较高的性能上限这一优势。这些发现表明，TTRL 在大幅减少对人工标注依赖的同时，具备实现持续学习和大规模无监督强化学习的潜力。以下是几个关键结论：

• 要点总结（Takeaways）

1. 多数投票为 TTRL 提供了有效的奖励估计方式（参见第 §3 节）。
2. TTRL 能够超越自身训练信号和性能上限（Maj@N），并在效果上接近使用真实标签直接训练测试数据的模型（参见第 §4.1 节）。
3. 在无监督条件下也可以实现高效且稳定的强化学习（参见第 §4.2 节）。
   

2 测试时强化学习（Test-Time Reinforcement Learning，TTRL）

  与传统强化学习不同，传统RL中智能体从已知的奖励信号中学习，而TTRL是在无标签的测试数据上进行训练。换句话说，模型必须在没有显式监督信号的情况下学习和适应。我们将该任务定义如下：

  我们研究的问题是：在测试阶段，使用强化学习对预训练模型进行训练，而不依赖真实标签（ground-truth labels）。我们将这一设定称为测试时强化学习（Test-Time Reinforcement Learning）。

2.1 方法

  图 2 展示了我们的方法 TTRL 如何应对这一挑战。在状态由提示词 $x$ 表示的情况下，模型会根据策略 ${\pi }_{\theta }(y\mid x)$（参数为 $\theta$）采样生成一个输出 $y$。为了在没有真实标签的情况下构造奖励信号，我们通过重复采样，从模型中生成多个候选输出 { y 1 , y 2 , … , y N } \{y_1, y_2, \ldots, y_N\} {y1​,y2​,…,yN​}。然后，我们从这些候选输出中得出一个共识输出 $y^{\ast }$，比如通过多数投票或其他聚合方法生成，该输出作为最优动作的代理。环境随后根据采样动作 $y$ 与共识动作 $y^{\ast }$ 之间的一致性来提供奖励 $r(y,y^{\ast })$。因此，RL 的目标是最大化期望奖励：$$\underset{\theta }{\max }{\mathbb{E}}_{y\sim {\pi }_{\theta }(\cdot \mid x)}[r(y,y^{\ast })]\text{\hspace{1em}(1)}$$接着通过梯度上升法更新参数 $\theta$：
$$\theta \leftarrow \theta +\eta {\nabla }_{\theta }{\mathbb{E}}_{y\sim {\pi }_{\theta }(\cdot \mid x)}[r(y,y^{\ast })]\text{\hspace{1em}(2)}$$其中 $\eta$ 表示学习率。这种方法使得模型能够在推理过程中进行自我调整，在无需标签数据的情况下提升其对分布变化输入的适应能力和性能。

2.2 多数投票奖励函数

  多数投票奖励的计算方式是，首先通过多数投票机制来估计一个标签，然后用该标签来计算基于规则的奖励，这些奖励最终作为强化学习的信号。具体而言，给定一个问题 $x$，我们首先将其输入到LLM中以生成一组输出。接着，使用答案提取器处理这些输出，得到对应的预测答案，记为： P = { y i } i = 1 N P = \{ y_i \}_{i=1}^N P={yi​}i=1N​我们根据公式（Equation 4）对 $P$ 应用多数投票机制，作为评分函数 $s(y,x)$ 来估计标签 $y$，即选择在集合 $P$ 中出现频率最高的预测结果。这个通过多数投票选出的预测结果 $y$ 被作为估计标签，用于计算规则奖励（rule-based reward）。参考 Guo 等人（2025）的做法，其奖励函数定义如下：$$R({\hat{y}}_i,y)=\{\begin{array}{ll}1,& \text{if }{\hat{y}}_i=y\\ 0,& \text{otherwise}\end{array}\text{\hspace{1em}(3)}$$

3 实验

3.1 实验设置

模型（Models）
  为了评估 TTRL 在不同基础模型上的通用性，我们在基础模型和指令微调模型（instruct models）上都进行了实验。我们在基础模型 Qwen2.5-Math-1.5B 和 Qwen2.5-Math-7B（Yang 等，2024）上进行实验，以评估 TTRL 的扩展能力是否良好。对于指令微调模型，我们使用 LLaMA-3.1-8B-Instruct（Grattafiori 等，2024）以验证 TTRL 在不同模型家族中的有效性。

基准任务（Benchmarks）
  我们在三个数学推理基准上评估 TTRL 的效果：AIME 2024（Li 等，2024）、AMC（Li 等，2024）和 MATH-500（Hendrycks 等，2021）。在每个基准任务上单独应用 TTRL 后，我们使用贪婪解码（greedy decoding）方式来报告pass@1 指标，以确保与先前工作的公平比较。我们还使用了 DeepSeek-R1（Guo 等，2025）中的解码参数，并在图6中报告 Avg@64 得分，以提供更可靠的评估。

对比方法（Baselines）
  由于此前尚未有工作探索通过测试时训练（TTT）提升数学推理能力，我们主要与基础模型进行对比，以验证 TTRL 是否能通过自我进化带来有效性能提升。对于两个基础模型，我们也纳入了其经过大规模后训练的指令微调版本进行对比。此外，我们还引用了一些当前主流的 “R1-Zero-Like”模型 作为参考基线，这些模型与我们使用的模型具有类似的结构，并进行了广泛的强化学习训练，包括： DeepSeek-R1-Distill-1.5B & 7B（Guo 等，2025），SimpleRL-Zero-7B（Zeng 等，2025）， PRIME-Zero-7B（Cui 等，2025），OpenReasoner-Zero-7B（Hu 等，2025b），Oat-Zero-1.5B & 7B（Liu 等，2025b）， LIMR（Li 等，2025）。注意：TTRL 的训练设定不同于这些现有模型，因此严格的对比可能存在不公平性。

实现细节（Implementation Details）
  我们在每个基准任务上独立应用 GRPO 方法（Shao 等，2024）来实现 TTRL。在超参数设置方面，我们使用固定学习率 $5\times 10^{-7}$，并在策略模型中采用 AdamW 优化器。在 rollout 阶段，我们每个样本采样 64 个响应（MATH-500 为 32 个），使用温度系数 1.0 进行多数投票标签估计，并从中下采样 16 个响应用于训练。实验表明，我们的“先投票、后采样”策略在保持强性能的同时，有效降低了计算成本。生成的最大 token 数被设定为 3072。KL 散度系数（KL coefficient）设为 0，适用于所有实验。根据数据集大小和任务复杂度，我们将训练轮数（episode 数）分别设为：MATH：40，AMC：50，AIME：60。

3.2 主要结果

TTRL 在大多数任务和模型上表现优异。 尽管仅依赖于使用无标签测试数据进行的自我进化，TTRL 依然达到了与现有基于 RL 的大规模有标签模型相当的性能水平。如表 1 所示，在极具挑战性的数学推理基准 AIME 2024 上，TTRL 实现了 159.3% 的显著性能提升，超越了所有基于大规模数据集训练的模型。进一步地，当将 TTRL 应用于 Qwen2.5-Math-7B 模型时，在三个基准任务中平均带来 84.1% 的性能提升。

TTRL 具有自然的可扩展性。 另一个值得注意的观察是：随着模型规模从 1.5B 增加到 7B，TTRL 在 AIME 2024 和 AMC 上的性能收益也随之增加，这表明 TTRL 具有良好的规模扩展特性。较大的模型能够在自我改进过程中产生更准确的多数投票奖励，从而在新数据上实现更有效的学习。然而，LLaMA-3.1-8B-Instruct 和 Qwen2.5-Math-1.5B 在 AIME 2024 上通过 TTRL 并未获得显著提升，这很可能是由于其模型容量受限。相比之下，Qwen2.5-Math-7B 拥有更大的模型容量和更充足的知识基础，使其能够更好地从自我进化中获益，并获得显著性能提升。我们将在第 4.3 节 中对此进行更详细的讨论。

TTRL 的泛化能力远超目标任务。 我们在每个基准任务上单独应用 TTRL，并使用 Qwen2.5-Math-7B 作为主干模型在其他基准任务上进行进一步评估。图3展示了相关结果。尽管这种设置具有分布外（out-of-distribution） 的特点，TTRL 在所有基准任务上都实现了显著性能提升。这说明：TTRL 并非依赖于过拟合某一任务而牺牲其他任务表现，而是能够在自我改进过程中获得具有泛化能力的提升。

TTRL 兼容多种强化学习算法。 图4展示了相关结果。我们在 MATH-500 上使用 PPO（Schulman 等，2017）来评估 TTRL 与不同 RL 算法的兼容性。实验发现，PPO 与 GRPO 的表现轨迹高度一致。与 GRPO 相比，PPO 表现出更稳定的结果，同时总体性能也相当。

3.3 训练动态

由于测试数据中缺乏真实标签，因此在训练过程中评估 TTRL 的性能是一项挑战。为缓解这一限制，我们引入了一组专门设计用于训练过程监控和评估 TTRL 有效性的训练时指标。这些指标有助于选择最佳 checkpoint，并为训练过程中的动态变化提供重要洞见。图 5 展示了在 AIME 2024 上，以 Qwen2.5-Math-7B 为例的两个 TTRL 曲线。

• Entropy（熵）：衡量模型生成输出的不确定性。
• Majority Voting Reward（多数投票奖励）：基于多数投票标签计算得到的规则奖励。
• Majority Ratio（多数比率）：在一次 rollout 中最常出现答案的频率。

此外，我们还定义了若干依赖真实标签的指标，以便在训练过程中对模型行为进行更深入的分析：

• Label Accuracy（Maj@N）：表示估计标签是否与真实标签一致。
• Reward Accuracy：表示基于估计标签计算出的奖励中，有多少比例与真实标签计算出的奖励一致。
• Ground-Truth Ratio（真实标签比率）：在 rollout 中真实标签出现的频率。

4 讨论

4.1 问题一：TTRL 的性能究竟有多强？

• 要点总结（Takeaways）

1. TTRL 不仅超越了自身的训练信号和直观上限 Maj@N，还接近于使用有标签测试数据训练的直接 RL 模型的性能。这种提升可能得益于 TTRL 在测试时训练中采用了 RL：通过将基于投票的伪标签转化为奖励，TTRL 提升了监督信号的有效性（例如：准确率，见 §4.2），同时摆脱了 Maj@N 所带来的限制性约束。

2. TTRL 的经验上限是直接在测试数据上训练模型（即“以测代训”），这显示出其相较于传统训练-评估流程的显著优势。

3. 在复杂任务中，TTRL 甚至能仅凭 1.5B 模型达到经验上限， 这说明大语言模型（LLMs）可以通过 TTRL 实现高效的自我进化，从而实现大规模数据集上的终身学习。

  我们通过两个上限来分析 TTRL 的潜在性能： 第一个上限是 Maj@N，即 TTRL 训练中用于计算奖励的基于多数投票的伪标签；第二个上限是：直接在基准测试集上使用真实标签进行训练，该方法假设访问了 ground-truth 标签，因而会将标签信息直接传递给策略模型。

TTRL 受 Maj@N 监督，但超越了它。由于 TTRL 使用自身多数投票输出作为强化学习的监督信号，因此这种基于投票的性能通常被视为模型性能的上限。然而，我们观察到一个令人惊讶的现象：训练后，模型不仅匹配了这个预期上限，甚至超越了它。这表明：模型超越了自己输出所构成的监督信号质量。图 6 显示了 TTRL 在 Qwen2.5-Math-7B 上的结果。TTRL 的 Avg@64 成绩在所有基准任务上均超越 Qwen2.5-Math-7B 的 Maj@64，远超我们的预期。此外，一旦引入多数投票机制，TTRL 的性能有了显著提升。这表明大语言模型可通过自身生成数据进行训练并获得性能提升。更重要的是，通过一个自我强化（self-reinforcing）的闭环，模型能够“拽着自己的靴带把自己拉起来”，突破原本的性能天花板。

TTRL 的性能提升接近直接在测试集上的训练。TTRL 的动机是通过多数投票估计标签，从而获取更准确的奖励，在没有真实标签的数据上通过 RL 实现有效的自我改进。因此，TTRL 的自然上限是：直接在测试集上执行 RL（即“leakage”训练）。虽然由于信息泄露问题，这种设置鲜有被采用或研究，但它代表了在特定数据集上提升性能的最高效方式，其效率远超传统的训练-评估范式。我们使用 Qwen2.5-Math-7B 在 MATH-500 上分别运行 TTRL 和 RL（leakage），图 7 展示了两者结果。我们惊讶地发现，TTRL 的性能曲线几乎接近 RL（leakage），这说明：

1. TTRL 在无监督设置下的自我改进效果可与有监督学习相媲美，即便在信息泄露场景中也能达到极高性能，证明其效率与提升潜力。

2. TTRL 显示出即使是小规模模型（如 1.5B）也能通过 RL 实现有效自我改进与持续学习。
   例如，在 MATH-500 上，Qwen2.5-Math-1.5B 从初始的 33.0 提升到 80.0，性能提升了 142.4%，展示了 TTRL 所带来的清晰自我增强能力。
   
   
   

4.2 Q2: TTRL 为什么有效？

  本节从两个关键方面对 TTRL 在无监督条件下实现稳定且高效的强化学习机制进行了分析：标签估计（Label Estimation） 和 奖励计算（Reward Calculation）

标签估计（Label Estimations）
  TTRL 与标准 RL 算法之间的一个直接区别是：TTRL 涉及标签估计，而这会引入奖励误差。
尽管如此，我们认为 TTRL 依然有效的原因有以下两点：(i) 现有研究表明，RL 能容忍一定程度的奖励误差。而且相比依赖记忆训练数据的监督微调（SFT），RL 更具泛化能力（Chu 等，2025）。在 RL 中，奖励信号通常是模糊的，主要作为探索方向的引导信号，这使得 RL 对奖励噪声具有鲁棒性（Razin 等，2025）。(ii) 还有研究从优化角度探讨了一个优秀的奖励模型应具备哪些特性，发现：更精确的奖励模型并不一定是更好的教师（Wang 等，2020）。因此，由策略模型本身生成的奖励信号反而可能提供更适合的学习引导。

奖励计算（Reward Calculations）
  当模型能通过多数投票正确估计标签时，后续生成的奖励信号通常是可靠的。但接下来我们面临一个自然的问题：即便模型在 AIME 2024 等具有挑战性的任务中未能估计出准确标签，TTRL 为什么依然有效？根本原因在于 RL 中奖励的定义方式：基于规则的奖励是根据预测结果是否与“标签”一致而赋值的。因此，即使估计的标签不是真实标签，只要它能识别预测答案与其不一致，系统依然可以给出正确的“负向”奖励。

  为了更详细地进行案例分析，我们在 AIME 2024 基准上、以 Qwen2.5-Math-7B 为基础模型，评估了 TTRL 的性能。图 8 展示了三项指标的变化曲线。我们识别出 TTRL 在 AIME 2024 上依然有效的两个主要原因：

  第一，奖励比标签更密集（dense），从而带来更高的鲁棒性。这意味着即使估计的标签不准确，模型仍有更多机会从其他学习信号中恢复有用信息。例如，即使估计标签是错误的，在同一次 rollout（采样）中生成的其他输出仍有可能产生正确或高质量的奖励（如图 9 所示）。这使得整体奖励信号对伪标签误差更具鲁棒性。

  第二，一个有趣的现象是：当模型能力较弱时，TTRL 的奖励反而可能更准确。以基础模型为例：其最常出现的预测仅占所有预测的 16.6%（见图 8）。这说明即使标签估计不准确，大部分预测仍能收到正确的奖励，因为模型的输出高度多样、错误分布均匀（如图 9 所示）。这实际上形成了一种“悖论式提升”：模型越弱，错误越分散，奖励估计反而更准确。一个实证观察支持上述观点：即 标签准确率（Label Accuracy） 与 奖励准确率（Reward Accuracy） 的对比（见图 8）：标签准确率波动在 20%-50%；而奖励准确率一开始就达到 92%，非常惊人！这样的高奖励准确率，为测试集上的有效自我改进提供了坚实基础。

4.3 TTRL 可能在什么时候失效？

  从算法层面来看，TTRL 与现有的强化学习（RL）算法在本质上并无区别，因此也继承了后者的一些特性，例如：对数据难度敏感、对先验信息依赖较强、在某些条件下容易“崩溃”（collapse）等问题。在实现层面，这些问题会被进一步放大。TTRL 依赖多数投票估计标签，且仅在测试数据上运行，而这些数据往往稀疏且前所未见，因此在某些场景下可能导致训练失败。在初步实验中，我们识别出两类潜在问题：

缺乏目标任务的先验知识

  先验知识在强化学习中起着关键作用，通常决定了 TTRL 学习过程的成败。这是因为测试数据通常更难，且包含新的特征，而 TTRL 并未使用诸如数据筛选等机制来支持课程式学习（curriculum learning）。

  因此，对于同一个 backbone，如果模型的先验知识不足以应对数据的复杂性，TTRL 就会失败。我们推测，在 AIME 2024 上 Qwen2.5-Math-1.5B 和 LLaMA-3.1-8B-Instruct 性能无提升的原因即是如此。考虑到 TTRL 在其他复杂度较低的基准测试中表现良好，这种失败可能源于模型先验不足。

  为进一步验证这一假设，我们在 MATH-500 上进行了消融研究。我们根据标注的难度等级将 MATH-500 分为五个子集（从1到5），并分别对每个子集独立应用 TTRL，使用 Qwen2.5-Math-1.5B 模型。然后我们将结果与该 backbone 的性能进行比较，如表2所示。我们观察到，随着问题难度的增加，性能提升和长度缩减比率都呈下降趋势。这表明 backbone 的现有先验知识不足以支持对更难问题的学习。

不合适的强化学习超参数

  超参数设置在强化学习中起着关键作用，并常常导致训练失败。在 TTRL 中，超参数的影响被进一步放大，因为奖励估计中可能存在的噪声以及测试数据的特性。图10 展示了在 AIME 2024 上几次失败尝试的对比。两个失败的实验在训练过程中始终维持高熵输出，与 He 等人（2025）的发现一致。在初步实验中，我们确定了两个关键的超参数，对训练稳定性和成功与否具有显著影响Temperature（温度）：将 temperature 设置为 1.0（而不是 0.6）会增加模型输出的熵。这种设置鼓励更广泛的探索，使模型能够更好地利用其先验知识进行自我改进，这对于处理具有挑战性的基准测试尤其重要。Episodes（训练轮数）：鉴于各数据集在大小和难度上的差异，规模更小且更难的数据集需要更多的训练轮次，以实现足够的探索。

5 相关工作

5.1 测试时扩展（Test-Time Scaling, TTS）

测试时扩展（TTS） 的设计目标是通过在测试阶段增加计算资源，提升大语言模型（LLMs）在处理复杂任务时的能力。已有研究（Snell 等，2024；Liu 等，2025a）表明，相比于在预训练阶段扩展计算，TTS 更为高效（Kaplan 等，2020）。因此，将相同的计算资源从预训练阶段重新分配至测试阶段，有望带来更显著的模型性能提升。当前关于 TTS 的研究主要分为两类（Welleck 等，2024）：并行生成（parallel generation） 和 序列生成（sequential generation）。并行生成：让 LLMs 同时生成多个候选答案，包括：自一致性（self-consistency）（Wang 等，2022；Chen 等，2023），最优选择（best-of-N）（Stiennon 等，2020；Nakano 等，2021），决策步骤（decision steps，例如蒙特卡洛树搜索 Monte Carlo Tree Search）（Zhou 等，2023；Xie 等，2024），基于 token 的搜索（如奖励引导搜索 Reward-guided Search）（Deng & Raffel, 2023；Khanov 等，2024）。推理过程中，随后会使用聚合策略整合这些候选结果，常见方式是基于过程的奖励模型（Lightman 等，2023；Wang 等，2023；Zhang 等，2025a）来进行评分。序列生成：关注于拓展 LLMs 输出，使其生成更长的回答，通常伴随反思（reflective）和思维链条（chain-of-thought）推理过程（Wei 等，2022；Madaan 等，2023）。尽管提示工程（prompting）技术被广泛采用，但其效果常受限于基础模型的能力。值得注意的是，DeepSeek-R1（Guo 等，2025）是该领域的一个代表性进展。该方法在预训练语言模型中实现了基于结果的强化学习，具体为群体相对策略优化（Group Relative Policy Optimization, GRPO）（Shao 等，2024），显著增强了其推理能力。与第一类方法（需要过程级监督）相比（Yuan 等，2024），第二类方法的可扩展性更强，因其依赖于基于规则的奖励信号。

  除了前述专注于扩展测试时推理计算的方法之外，另一种提高测试时计算能力的途径是测试时训练（Test-Time Training, TTT）。我们在附录 A 中介绍了这些术语之间的关系。以往的研究主要聚焦于视频生成与理解等应用（Hardt & Sun, 2024；Dalal 等，2025），以及在一定程度上聚焦于大型语言模型（Wang 等，2025；Akyürek 等，2024），但将测试时扩展与强化学习结合起来的研究仍然基本未被深入探索。

5.2 用于推理的强化学习（RL for Reasoning）

  强化学习（Reinforcement Learning, RL）在增强大语言模型（LLMs）遵循指令的能力方面发挥着关键作用，尤其是通过诸如“来自人类反馈的强化学习”（RLHF）等方法。RLHF 使用如 Proximal Policy Optimization（PPO）等算法使基础模型对人类偏好进行对齐。近年来，大型推理模型（Large Reasoning Models, LRMs），如 DeepSeek-R1，已经通过基于规则的奖励展现出强化学习在提升推理能力方面的重要性，这一点在 GRPO 中表现得尤为明显。与 RLHF 主要面向开放领域指令不同，GRPO 特别设计用于在数学问题求解中引导出长链式思维（Chain-of-Thought, CoT）推理。近期研究主要集中于提高基于规则的强化学习方法（如 GRPO 和 PPO）的训练稳定性。

  然而，这些方法通常仅在有监督的训练数据上训练 LLM，而推理时则需要在未见过的测试问题上生成扩展的 CoT 推理。此外，目前的强化学习方法依赖于可验证的输出（如数学或代码解答），这些输出可以提供可靠的奖励信号。但在实际应用中，这类可验证条件往往难以满足，甚至无法实现。新兴研究提出了一种范式转变：从依赖人类标注数据转向依赖交互经验进行学习。在这种背景下，策略模型（policy model）生成和标注自身训练数据的能力变得愈加重要。

  TTRL 提出了一种利用自标注奖励进行强化学习的初步尝试，迈出了从经验交互中学习的第一步。

6 结论

  在本文中，我们提出了测试时强化学习（TTRL）这一新颖框架，用于在无真实标签的测试数据上，通过强化学习（RL）训练大型语言模型。TTRL的一个关键组成部分是其多数投票奖励函数，它基于模型预测的一致性生成规则驱动的奖励。我们的实验结果展示了****TTRL的强大潜力，在多种模型和任务上实现了持续的性能提升。我们将TTRL视为迈向“使用自标注奖励进行强化学习”的初步尝试，标志着从连续经验流中学习的一个重要方向。

7 局限性与未来工作

局限性
  本研究是基于自标注奖励的测试时强化学习的一次初步探索。尽管实验结果令人鼓舞，但仍存在一些需要进一步研究的问题。特别是，我们计划对“先验知识”和“超参数配置”的影响进行更深入的分析，这两者在强化学习的动态过程中起着关键作用。我们将在后续版本中提供更全面的讨论和消融实验。

未来工作
  基于现有发现，我们为未来研究提出以下几个方向：

• 理论分析：开展TTRL的形式化收敛性分析，重点研究其向 §4.1 中两个上界收敛的能力。

• 流式数据下的在线学习：将TTRL扩展到实时学习场景，使模型能够与不断到来的数据进行交互并动态适应，即“测试时自适应”（Liang 等人，2025）。

• 大规模自监督强化学习训练：将TTRL扩展到大规模数据集和模型，探索其在无需人工标注数据的自监督框架中的潜力。

• Agent任务与科学发现：将TTRL应用于更复杂的开放领域，如agent任务和多步推理的科学探索等。

---

A 术语定义

  测试时扩展（Test-Time Scaling, TTS） 指的是在模型推理阶段增加计算资源的方法，可以细分为：测试时训练（Test-Time Training, TTT），测试时推理（Test-Time Inference, TTI）。这两种方式是互补的。我们将在下文介绍它们之间的关系。

A.1 测试时训练（Test-Time Training, TTT）

  测试时训练（TTT）是一种在推理过程中适配预训练模型的技术，旨在应对分布漂移（distribution shifts）以提升泛化能力。设 $f_{\theta }$ 为在源域 ${\mathcal{D}}_s=\{(x_i,y_i){\}}_{i=1}^N$ 上训练得到的模型，其中 $x_i\in \mathcal{X}$，$y_i\in \mathcal{Y}$，而 $\theta$ 表示模型的参数。在标准推理过程中，模型会以固定参数 $\theta$ 在测试样本 $x_t\sim {\mathcal{D}}_t$ 上进行评估，且 ${\mathcal{D}}_t\ne {\mathcal{D}}_s$。

  相反，TTT 允许模型在推理时对每个测试样本 $x_t$ 进行自适应微调，通过最小化一个辅助的自监督损失 ${\mathcal{L}}_{\text{aux}}$，而无需访问标签 $y_t$。模型参数会在推理过程中在线更新，该辅助任务通常是无标签的，且与主任务保持一致。

A.2 测试时推理（Test-Time Inference, TTI）

  测试时推理（TTI）指的是在推理过程中，通过分配额外的计算资源来提升大型语言模型性能的一种策略。形式化地，设 $f_{\theta }$ 表示一个参数为 $\theta$ 的语言模型，$x$ 是输入提示（prompt）。模型通过从条件分布 $p_{\theta }(y\mid x)$ 中采样生成输出 $y$。TTI 技术旨在提升输出 $y$ 的质量，方法包括：生成多个候选输出，然后基于打分函数选择最佳输出，或通过迭代过程不断优化输出（Welleck et al., 2024）。

  一种常见方法是生成 $N$ 个候选输出 { y 1 , y 2 , … , y N } \{y_1, y_2, \ldots, y_N\} {y1​,y2​,…,yN​}，然后使用打分函数 $s(y,x)$ 选择最优输出 $y^{\ast }$：

$$y^{\ast }=\arg \underset{y_i}{\max }s(y_i,x)\text{\hspace{1em}(4)}$$

打分函数 $s(y,x)$ 可以通过多种方式实现，例如：

1. 多数投票（Majority Voting, MV）：在候选输出中选择出现次数最多的结果。
2. Best-of-N (BoN)：使用奖励模型（reward model）对每个候选项进行打分，并选择得分最高者。
3. 加权BoN（Weighted BoN）：结合 MV 和 BoN 两种策略，利用各自的优势进行加权融合。

B 超参数（Hyper-parameters）

  为了实现我们工作的完全可复现性，我们提供了一个完整的训练方案，该方案主要基于 OpenRLHF（Hu et al., 2024）。我们以在 AIME 2024 基准上的 TTRL 训练过程为例，所用模型为 Qwen2.5-Math-7B。

---

🐇速读版

1. 论文的动机

  这篇文章主要针对的是提升LLM的推理能力。对于推理模型来说，传统的训练策略是在大量预训练数据上进行一些预训练（比如掩码训练，next token预测等），然后在带标签的数据上进行后训练（比如SFT或者RL），最后在实际场景的真实数据上应用训练好的模型，如下图。但随着模型越来越大，这种策略出现了一系列弊端，比如，模型的训练成本飙升；其次，互联网上可以拿来训练的数据也几乎已经用尽，当训练数据有限的情况下，根据scaling law，大模型性能会到达一个上限瓶颈。那在这种情况下，我们还能不能进一步提升大模型的推理能力？

  这时候就出现了一种新的策略，叫做测试时扩展（Test-Time Scaling，TTS）。它的意思就是说，当模型在真实的测试数据上进行推理的时候，提供给模型更多的计算量，进而可以优化推理过程，提升大语言模型的性能。一个典型的例子就是思维链（CoT），它的思想就是把一个复杂问题拆解为多步来回答，这个过程实际上就是花费了更多的计算量，换来了推理性能的提升，所以CoT就是一个典型的测试时扩展的方法。但是，TTS也有一些局限性，它依赖模型预训练的知识，在面对未标注新数据或OOD数据时，泛化能力有限。

  这时候又出现了一个新的策略，测试时训练（Test-Time Training，TTT）。它的意思就是在测试时进行训练(也就是模型参数更新)，使模型适应新数据或任务，从而弥补了 TTS 在泛化能力上的不足。

  同时，最近一些大的推理模型，比如DeepSeek-R1、OpenAI的o1模型都表明，RL在提升模型推理能力方面至关重要。那自然而然的，我们就会想，能不能在测试阶段应用RL来训练模型？但这时候就会面临一个关键的问题：我们都知道，RL是需要reward信号来优化模型的policy分布的，由于测试数据没有ground tuth的label，那我们应该如何获得奖励信号呢？ 这篇文章就以此为动机，提出了TTRL，解决了在没有显式标签的数据上，针对大型语言模型推理任务进行强化学习的问题。

2. 提出的方法

  论文要解决的问题是测试数据没有标签的情况下进行强化学习，所提出的方法实际上非常straightforward，思路核心就是多数投票机制。它的意思是说，当你给到LLM一个没有标签的测试数据，比如下图中红色字体举例的一个数学问题：What is the median of 2 and 8?，正常来说LLM会输出一个回答，而这篇文章是让模型多次回答这个问题得到多个回复。比如图中红色数字给到的不同回复结果：5，6，10，5，然后选择这些回复中最多次出现的那个答案，比如这里的5，将其作为这个测试数据的伪标签，这样就解决了测试数据没有标签的问题。接着再让这个伪标签当作计算reward时候的ground truth label，去计算reward。这里的reward函数也很简单，对于回答中，是5的就打分为1，否则就是0，进而优化policy分布，这样就能够进行强化学习。

  上面就是这篇文章的解决方法，simple yet effective！在三个Benchmarks都取得了非常明显的提升：

  这篇文章比较有启发性的部分在于Discussions章节作者针对所提出的TTRL方法的上限以及它为什么有效展开了探讨，并给出了合理的解释，这部分建议感兴趣的读者阅读上面🦥精读版部分的原文对应章节，在读完后或许你就能够理解下面这张图的含义：

---

🤔思考

  TTRL这篇文章是2025年4月22日上线在arXiv的一篇文章，它的思路其实和下图这篇2022年的文章思路很类似，不同之处在于，下面这篇文章是通过SFT来进行微调模型的，而TTRL是通过RL微调模型。其实TTRL的方法在一些环节上可以进一步的探索，比如伪标签的产生，或许可以在一些安全对齐或者模型去毒任务上替换为基于不同logits分布的方法来选择伪标签，而非多数投票。reward函数的设计或许也可以针对其他任务实验BT loss的方法进行对比评分。

  这篇文章清晰的展示出了RL的潜力，尤其是相较于SFT而言。在论文的讨论章节给到了很多很有启发性的探讨，值得深思。最后，个人认为这篇文章有一个小的局限性在于只在数学task上进行的实验，而没有在其他推理任务（如coding task）上验证方法的普适性，这也为未来在更复杂任务场景中进一步拓展TTRL提供了可能的路径。

---

参考文献
@article{zuo2025ttrl,
title={TTRL: Test-Time Reinforcement Learning},
author={Zuo, Yuxin and Zhang, Kaiyan and Qu, Shang and Sheng, Li and Zhu, Xuekai and Qi, Biqing and Sun, Youbang and Cui, Ganqu and Ding, Ning and Zhou, Bowen},
journal={arXiv preprint arXiv:2504.16084},
year={2025}
}