TTPO：测试时策略优化，无需标签即可提升 LLM 数学推理

研究者提出 Test-Time Policy Optimization（TTPO），一种非对称目标：对与伪标签一致的 rollout 用 OPSD 蒸馏，对不一致的 rollout 用 Grouped RL 惩罚，从而在无标签条件下实现测试时训练。