- 论文公开站arXiv
学会停止而无需学会停止：自监督置信度训练提升推理效率
Learning to Stop without Learning to Stop: Self-Supervised Confidence Training Improves Reasoning Efficiency
摘要显示，该研究提出一种自监督置信度微调方法：让推理模型在自身推理轨迹的中间点预测对答案的置信度，训练仅用600道题，损失函数不含长度、效率或停止目标，推理时也不做置信度引导或早停。在Gemma、Qwen、Nemotron、GPT-OSS等模型及数学、科学、代码基准上，生成token最多减少25%且准确率持平，效果与显式优化短推理的方法相当，并基本保留原有高层推理结构。
意义：为推理模型提效提供新监督信号：无需改推理流程或加长度惩罚，即可在保持准确率的同时显著降低推理成本。
- 论文公开站arXiv
StageGuard：通过智能体蒸馏学习长时程机器人任务的阶段转换
StageGuard: Learning Stage Transitions for Long-Horizon Robot Tasks via Agentic Distillation
摘要显示，针对长时程机器人任务中判断何时终止当前技能并切换到下一子任务的问题，作者提出 StageGuard，一种智能体蒸馏框架。该方法结合教师模型推理与演示轨迹，生成子任务完成与策略切换的结构化解释，再让轻量学生 VLM 生成紧凑自解释并做监督微调。在两个基准轨迹上评估阶段转换预测，并通过集成到 BEHAVIOR-1K 分层机器人控制中评估闭环任务成功率，还在真实机器人上做了进一步验证。结果称阶段转换预测显著提升，并支持高效在线监控。
意义：为长时程机器人任务提供轻量级阶段切换判断方案，降低对云端大模型推理的依赖，利于实时在线监控与端侧部署。