TTPO: оптимизация политики на этапе теста

Метод позволяет test-time training без разметки, заменяя ground-truth метки псевдометки по мажоритарному голосованию и используя асимметрию этой подмены: rollout'ы, согласующиеся с псевдометкой, дистиллируются через on-policy self-distillation, а несогласные штрафуются через группированный RL, с токен-уровневым отбором на обеих ветках. Метод догоняет OPSD с супервизией по меткам на пяти математических бенчмарках уровня соревнований, поднимая Qwen3-1.7B с 38.0% до 45.2% в test-time training и +25–36% в режиме no-thinking.