GTA 猜测-思考-回答是什么？结合监督学习和强化学习的文本分类训练
TL;DR猜测-思考-回答（GTA）是 vivo AI Lab 在 2025 年 9 月提出的文本分类训练框架，让模型先给出初步猜测，再反思，最后作答，把监督微调的效率和强化学习的能力提升结合在一个训练范式里。
猜测-思考-回答（Guess-Think-Answer，GTA）是一个用大模型做文本分类的训练框架，由 vivo AI Lab 的算法团队在 2025 年 9 月提出，论文标题是《GTA：面向大模型文本分类的监督引导强化学习》。
两种训练方式的取舍
在自然语言处理任务里，常见的两种微调方式各有短板。纯强化学习微调往往探索效率低、收敛慢；监督微调虽然训练高效，但性能上限有限，理论基础也不如强化学习扎实。论文要解决的就是这个效率与能力之间的权衡。
GTA 怎么做
GTA 把两者统一在一个训练范式里，让模型按三个步骤回答分类问题。第一步，猜测：模型先给出一个初步的分类结果，这一步用交叉熵损失来优化，也就是监督学习的方式，训练又快又稳。第二步，思考：模型对这个初步猜测进行反思，分析它是否合理，有没有遗漏或误判的地方。第三步，回答：在反思的基础上给出最终答案。
强化学习的奖励用来塑造最终的输出，同时约束整个“猜测-思考-回答”结构的格式。研究者还处理了两种训练信号之间的冲突：通过对损失进行掩码和施加梯度约束，避免监督学习的梯度和强化学习的梯度相互干扰。
效果
论文在四个文本分类基准上做了实验，结果显示 GTA 比纯监督微调和纯强化学习的方法收敛更快，同时性能上限更高。这种思路的好处在于：初步猜测提供了一个起点，让强化学习不必从零开始盲目探索；而反思和最终回答又让模型有机会纠正猜测中的错误，获得比单纯监督学习更好的结果。对于需要用大模型做大规模分类、又希望控制训练成本的场景，它提供了一种实用的方案。