免标签测试时强化学习：只调 10 万 bias 参数，Qwen2.5-7B 在 MATH-500 达 76.67%

免标签 TTRL 冻结预训练主干、只调约 10 万个 bias 参数，让 Qwen2.5-7B 在 MATH-500 达 76.67%。它以多数投票伪标签作奖励，参数量比全参数 TTRL 少 7.6 万倍。同一流程还改善 MathVista、AI2D 等视觉与音频推理，学到的 steering 向量可迁移到 4500 道未见 MATH 题。