Learning to Stop without Learning to Stop: Self-Supervised Confidence Training Improves Reasoning Efficiency

arxiv · arXiv · 2026-09-26 01:59 · 评分 88

研究者提出一种自监督置信度训练方法，不直接训练推理模型早停或缩短推理，而是用置信度监督降低长推理轨迹带来的计算开销；相比推理时早停或长度惩罚强化学习，可显著提升推理效率。