对抗性投机推理提升长时程智能体通过率

研究者用反向 DPO 训练投机解码中的草稿模型，使其在选定决策点倾向产生分歧，让目标模型在数值噪声最低的验证块起始处写入这些决策。目标模型约 750B 参数且未改动，可训练参数在 GLM 上为 2.15B、DeepSeek 上为 449M。